UNIVERSIDADE FEDERAL DO PIAUÍ

CENTRO DE CIÊNCIAS AGRÁRIAS

DEPART. DE PLANEJ. E POL. AGRÍCOLA

APOSTILA BÁSICA PARA O ACOMPANHAMENTO DA DISCIPLINA

EXPERIMENTAÇÃO AGRÍCOLA, MINISTRADA AOS ALUNOS DO CURSO DE
BACHARELADO EM ENGENHARIA AGRONÔMICA

Autor: Prof. Dr. José Algaci Lopes da Silva

Colaboradores:
Dyego Leandro da Costa Monte (Est. de Eng. Agronômica).
Jorge Manuel de Isasa Araújo (Est. de Eng. Agronômica).
Revisão:
Antonio Victor Cavalcante Rocha Silva (Est. de Eng. Agronômica).(2017.1)
Maria Eduarda Cabral da Silva (Est. De Eng. Agronômica).(2017.1)

TERESINA – PIAUÍ – BRASIL

Julho / 2020
 AGRADECIMENTOS

Os escritores em geral devem mais às pessoas com quem convivem do que eles gostariam
de reconhecer. E o autor desta modesta apostila não foge à regra. Devemos mais aos
alunos, aos colegas, aos nossos professores, aos amigos do que sabemos reconhecer. Fazer
agradecimentos não é, pois, tarefa fácil. Mas alguns nomes precisam ser citados, porque
são de pessoas que deram ajuda, muito de perto para a elaboração deste texto. Ficam então
aqui registrados nossos agradecimentos aos Professores Fernando Pinheiro Reis e Paulo
Roberto Cecon (Estatística – UFV – Viçosa-MG), aos pós-graduandos que cursaram a
disciplina Estatística Experimental (UFPB – CCA) e Técnicas Experimentais em
Agronomia (UFPI / CCA / PPGA), contribuindo para a melhoria e aplicabilidade do
conteúdo. Claro, aos dois monotores da dsiciplina Experimentação Agrícola (2013.1),
estudantes de Eng. Agronômica Jorge Manuel de Isasa Araújo e Dyego Leandro da Costa
Monte, os quais auxiliaram nesta versão adaptada para a graduação.

1
 APRESENTAÇÃO

A presente apostila constitui o material básico utilizado na disciplina

ExperimentaçãoAgrícola do Curso de Bacharelado em Engenharia Agronômica do
Centro de Ciências Agrárias da Universidade Federal do Piauí, Campus Ministro Petrônio
Portela. A Experimentação Agrícola é a ciência que tem como objetivo estudar
experimentos (ensaios, podendo ser a campo ou em laboratórios), englobando etapas como
o planejamento, execução, coleta e análise dos dados experimentais e interpretação dos
resultados obtidos.
Num total de nove capítulos, procurou-se apresentar de uma forma didática o
conteúdo programático desta disciplina.
No Capítulo I faz-se uma breve revisão, pois estes conteúdos foram abordados na
discplina Estatística Aplicada a Agronomia, sobre as principais medidas de posição ou de
tendência central e de dispersão.
Noções iniciais sobre Estatística Experimental serão vistas no Capítulo II, onde
apresentou-se um resumo sobre os princípios básicos da experimentação.
A partir do Capítulo III até o VIII reuniram-se os principais delineamentos
experimentais: DIC, DBC, DQL, bem como Arranjos Fatoriais e em Parcelas Subdivididas.
Logo no início deste capítulo, após a apresentação do Delineamento Inteiramente
Casualizado (DIC), foram mostrados alguns dos principais testes paramétricos de
comparações múltiplas como Tukey, Duncan, Scheffé, etc.
O Capítulo IX traz uma modesta contribuição sobre os temas Análise de
Regressão e de Correlação, onde destacam-se os métodos de estimação dos parâmetros da
equação de regressão, a análise de variância da regressão, teste de significância dos betas,
coeficiente de determinação, etc.
Ao final de cada capítulo e em um apêndice são propostos exercícios de fixação,
onde o estudante terá oportunidade de conhecer o estilo do professor quanto aos seus
questionamentos e nível de raciocínio exigidos. Ao final, a Bibliografia Consultada.

2
 UNIVERSIDADE FEDERAL DO PIAUÍ
CENTRO DE CIÊNCIAS AGRÁRIAS
DEP. DE PLANEJ. E POL.AGRÍCOLA
Prof.: Dres.Algaci Lopes

DISCIPLINA: ExperimentaçãoAgrícola
Carga Horária:60h. 4 créds.

EMENTA: Modelos matemáticos de delineamentos básicos; Testes de significância;

Ensaios fatoriais; Ensaios em parcelas subdivididas; Análise conjunta de ensaios; Estudos
de regressão; Planejamento de ensaios; Uso de softwares em análises estatísticas.

OBJETIVO GERAL

Proporcionar aos estudantes conhecimento dos fundamentos necessários ao estudo

dos experimentos e da experimentação sob os aspectos do planejamento, execução,
condução, amostragem, coleta de dados e análise estatística dos mesmos, bem como
interpretação dos resultados.

CONTEÚDO PROGRAMÁTICO
1. INTRODUÇÃO

Medidas de tendência central e de dispersão

Variações premeditada, sistemática e do acaso

2. PRINCÍPIOS BÁSICOS DE EXPERIMENTAÇÃO

Parcela
Casualização
Repetição
Controle de local

3. TESTES DE SIGNIFICÂNCIA OU DE COMPARAÇÕES MÚLTIPLAS

Teste de F
Teste de t
Contrastes
Teste de Tukey
Teste de Duncan
Teste de Scheffé

4. DELINEAMENTOS BÁSICOS

Delineamento inteiramente casualizado – DIC

Delineamento em blocos casualizados – DBC
Delineamento em quadrados latinos - DQL
Experimentos fatoriais com dois e três fatores
Experimentos em parcelas subdivididas
Análise conjunta de experimentos

3
5. ANÁLISE DE CORRELAÇÃO E DE REGRESSÃO

Coeficiente de correlaçãoe regressão linear simples

Análise de variância da regressão
Coeficiente de determinação
Regressão linear múltipla
Testes das estimativas dos coeficientes – Teste t
Regressão através de polinôminos ortogonais

6. Uso do softwareExcel.

METODOLOGIA

TEÓRICA - Aulas expositivas, com apresentação de exemplos teóricos e práticos.

PRÁTICA - Apresentação de exemplos práticos, discussão e interpretação de resultados

de experimentos à luz de fundamentos estatísticos.

BIBLIOGRAFIA BÁSICA

BANZATTO, D.A. e KRONKA, S.N. Experimentação agrícola. Jaboticabal: FUNEP,

1989. 247 p.
BARBIN, D. Planejamento e análise estatística de experimentos agronômicos.
Arapongas: Editora Midas, 2003. 208 p.
FERREIRA, P.V. Estatística experimental aplicada à Agronomia. 2a edição. Editora da
UFAL (EDUFAL). Maceió, Alagoas, 1996, 604 p.
GOMES, F.P. & GARCIA, C.H. Estatística aplicada a experimentos agronômicos e
florestais. Piracicaba: FEALQ, 2002. 309p.
GOMES, F.P. Curso de estatística experimental. 13 ed. Piracicaba – SP. Livraria
NOBEL S.A. 1990. 468 p.
HOFFMANN, R. & VIEIRA, S. Análise de regressão. Uma introdução à Econometria.
São Paulo-SP. Ucitec, (2 ed.). 379p. 1983.
ZIMMERMANN, F.J.P. Estatística aplicada à pesquisa agrícola. Santo Antonio de
Goiás: EMBRAPA arroz e feijão, 2004. 402 p.

BIBLIOGRAFIA COMPLEMENTAR

FONSECA, J.S. MARTINS, G.A. Curso de estatística. 3 ed. São Paulo – SP. Atlas. 1992.
317 p.
SAMPAIO, I.B.M. Estatística aplica à experimentação animal. Belo Horizonte-MG.
Fundação de Ensino e Pesquisa em Medicina Veterinária e Zootecnia. 1998. 221 p.
STORCK, R.G.D. ESTEFANEL, V. GARCIA, D.C. Experimentos fatoriais: modelos e
análises pelos pacotes SAS e SAEG e STORCK, L. LOPES, S.J. Experimentação II.
Santa Maria – RS. Dep. de Fitotecnia / UFSM, 1997. 207 p.

4
 PERIÓDICOS
Crop Science
Biometrics
Pesquisa Agropecuária Brasileira – PAB
Ciência Rural
Revista Ciência Agronômica

5
 ESTATÍSTICA EXPERIMENTAL

Muito do conhecimento que a humanidade acumulou ao longo dos séculos foi

adquirido através da experimentação. A ideia de experimentar, no entanto, não é apenas
antiga, também pertence ao nosso dia-a-dia. Todos nós já aprendemos algumas coisas, ao
longo da vida, experimentando. A experimentação, no entanto, só se definiu como técnica
sistemática de pesquisa neste século, quando foi formalizada através da estatística
(PIMENTEL GOMES, 1985).
Hoje são feitos experimentos em quase todas as áreas do trabalho, embora alguns
pesquisadores acreditem, ingenuamente, que certas técnicas experimentais sejam
conhecidas apenas em sua área. Na verdade, as técnicas experimentais são universais e se
aplicam a diferentes áreas – Agronomia, Medicina, Engenharia e Psicologia – e os métodos
de análise são sempre os mesmos (VIEIRA, S. & HOFFMANN, R., 1989).
A Estatística Experimental foi proposta inicialmente na área de ciências
biológicas por Ronald A. Fisher em 1919. Fisher propôs o uso da análise de variância
(ANOVA) como ferramenta para análise e interpretação de dados. (JANAÍNA RIBEIRO
COSTA, EMBRAPA, 2003).
Seguindo o exemplo de R.A. Fisher, podemos definir a Estatística como a
Matemática aplicada aos dados de observação. Mas tais dados são, em muitos casos,
colhidos através de trabalhos feitos propositalmente e em condições previamente
especificadas: temos então dados experimentais, obtidos de experimentos. O estudo dos
experimentos, seu planejamento, execução e análise, é que constitui o objeto da Estatística
Experimental. (PIMENTEL GOMES, 1990).

6
 ÍNDICE

Pág.

CAPÍTULO I - Medidas de Posição e de Dispersão .................................................... 08

CAPÍTULO II - Princípios Básicos da Experimentação .............................................. 10
CAPÍTULO III - Delineamento Inteiramente Casualizado (DIC) ............................... 12
CAPÍTULO IV - Testes Paramétricos de Comparações Múltiplas ............................. 16
CAPÍTULO V - Delineamento em Blocos Casualizados (D.B.C.) ............................. 25
CAPÍTULO VI - Delineamento ao Quadrado Latino (DQL) ...................................... 29
CAPÍTULO VII - Experimentos COMPLEXOS: Fatoriais ......................................... 33
CAPÍTULO VIII - Experimentos em Parcelas Subdivididas ...................................... 47
CAPÍTULO IX - Análise de Regressão e de Correlação ............................................. 54
Análise de Correlação .................................................................................................. 54
Listas de Exercícios 64
......................................................................................................
Bibliografias ................................................................................................................. 72
TABELAS Estatísticas (F, Tukey, Duncan, ..., a 1%, 5% e 10%) ............................... 73
ANÁLISE ESTATÍSTICA VIA SAEG, Versão 9.1 – For Windows 79
...................
ANÁLISE CONJUNTA DE EXPERIMENTOS.......................................................... 84
CROQUI EXPERIMENTAL........................................................................................
95

7
 CAPÍTULO I

Medidas de Posição e de Dispersão

1.1. Medidas de Posição ou de Tendência Central

Após serem tabulados, é necessário encontrar valores típicos que possam

representar a distribuição como um todo. Esses valores tendem a se localizar em um ponto
central e reproduzir características da população ou da amostra, quanto mais homogêneos
forem os componentes menores serão estes valores.
Esses valores são chamados de medidas de tendência central ou de posição.
Importarão para nossa disciplina duas destas, a média aritmética populacional e amostral,
originadas da população e da amostra, respectivamente.

(letra grega mi); m):

1.1.1. Medidas Populacional (

Dado um conjunto N valores ou observações {X1, X2, X3, X4,...XN}:

 = Xi/N = {X1 + X2 + X3 +...+ XN}/N; onde N é o tamanho da população.

1.1.2. Média Amostral ( ):

Dado um conjunto n valores oriundos de amostragem representativa de uma

população {x1, x2, x3, x4,... xn}:
= xi/n = {x1 + x2 + x3 +...+ xN}/n; onde n é o tamanho da amostra.

1.2. Medidas de Dispersão:

Na seção anterior, vimos a média que é considerada mais importante medida de

tendência central. Contudo, ela não nos diz como os dados de uma amostra ou população
se distribuem em torno dela. Por exemplo:
(1) 10, 10, 10, 10, 10 = 10;
(2) 8, 10, 12, 9, 11 = 10;
(3) 10, 3, 9, 17, 11 = 10;
(4) 17, 15, 7, 3, 8 = 10;
Vimos que as amostras (1), (2), (3) e (4) têm a mesma média, mas observamos que
na amostra (1) todos os valores são iguais a 10, ou seja, igual à média aritmética, logo
todos os valores estão concentrados na média, não existindo dessa forma qualquer
diferença entre cada valor e a média, conseqüentemente não existe variabilidade nos dados.

8
Ao passo que, nas outras existem diferenças em relação à média, sendo a amostra (4) a
mais variável ou de maior variância.
Portanto, além da média, necessitamos de uma medida estatística complementar
para melhor caracterizar cada amostra apresentada. As mais usuais medidas responsáveis
por esta caracterização são:

1.2.1. Variância (2 = populacional e S2 = amostral)

Define-se variância de um conjunto N ou n observações, como sendo a relação

entre a SQDx (soma de quadrados dos desvios de x) e os graus de liberdade da população
(variância popul. ou da amostra (var. amostral).
Assim:
2 = SQDx/N – 1 ou S2 = SQDx/n – 1; onde,
SQDx = (Xi – )2 ou SQDx = (xi – )2; população e amostra, respectivamente.
Trabalhando esta expressão, chega-se à seguinte fórmula de variância:
2 = {Xi2 (Xi)2 /N}/N – 1 ou S2 = {xi2 – (xi)2/n}/n – 1

1.2.2. Desvio Padrão ( = populacional e s = amostral)

Ao contrário da variância, apresenta os valores nas suas unidades originais.

O desvio padrão, amostral ou populacional, é encontrado extraindo-se a raiz
quadrada da variância, ou seja:

= e s=

1.2.3. Coeficiente de Variação (C.V.):

Expresso em percentagem (%), tem a finalidade de medir o grau de precisão de

um experimento, sendo eficiente ainda na comparação de grupos com unidades diferentes.
É encontrado através da seguinte fórmula:
C.V. = 100 . s/ , onde s é o desvio padrão e é a média geral do experimento.

O C.V. ainda pode ser encontrado pela seguinte fórmula, C.V.(%) = .

100.
Segundo PIMENTEL GOMES (2009), o grau de precisão de um experimento
pode, na maioria dos casos, obedecer à seguinte tabela:
Intervalo do C.V.(%) Qualidade do Experimento
0  C.V.  10 Ótimo
11  C.V.  20 Bom
21  C.V. < 30 Regular

9
C.V.  30 Ruim

10
 CAPÍTULO II

Princípios Básicos da Experimentação

A pesquisa científica está constantemente se utilizando de experimentos para

provar suas hipóteses. É claro que os experimentos variam de uma pesquisa para outra,
porém, todos eles são regidos por alguns princípios básicos, dos quais depende a maior ou
menor validez das conclusões obtidas. Tais princípios são: repetição, casualização e
controle local (FERREIRA, P.V., 1996).

2.1. Princípio da Repetição:

Uma das maneiras mais eficientes de aumentar a precisão de um experimento

consiste em aumentar o número de repetições dos tratamentos. Assim, em um experimento
deve-se ter o maior número possível de repetições. É através da repetição que se estima o
erro experimental, principal função deste princípio.
O número de repetições de um experimento depende de uma série de fatores:
a) tipo de solo em que foi instalado o experimento;
b) espécie vegetal a ser estudada (ciclo, porte, densidade, etc.);
c) custo de execução das etapas do experimento;
d) número de tratamentos, pois, quanto menor o número de tratamentos, maior deve ser o
número de repetições por tratamento. Via de regra, diz-se que um bom experimento
deverá ter no mínimo 20 (vinte) parcelas experimentais ou 10 (dez) Graus de Liberdade
associados ao Resíduo.

2.2. Princípio da Casualização:

A casualização tem por objetivo evitar que um determinado tratamento seja

favorecido ou desfavorecido quando distribuídos nas diversas unidades experimentais ou
parcelas. Significa que a distribuição dos tratamentos nas parcelas deve ser feita totalmente
ao acaso, mediante sorteio ou algum outro procedimento que não permita a influência do
pesquisador ou de seus ajudantes nos tratamentos.
Os erros experimentais, através da casualização, tornam-se independentes, o que
possibilita a aplicação dos testes de significância (Mead & Curnow, 1983). Alguns
programas computacionais elaboram planilhas de campo já com os tratamentos
aleatorizados, como por exemplo o MSTAT, SISVAR e outros. (JANAÍNA RIBEIRO
COSTA, EMBRAPA, 2003).

2.3. Princípio do Controle de “Local”

É opcional, depende da necessidade ou não de utilizá-lo. É uma forma de

homogeneizar as condições experimentais. Neste caso, o material experimental é dividido
em porções homogêneas ou blocos, cada um dos quais contendo todos os tratamentos. É
mais utilizado em locais onde as condições experimentais são heterogêneas, ex.: solo com
relevo apresentando declividade.
11
 Segundo Hinkelmann & Kempthorne (1994), o princípio do controle local é o
reconhecimento de padrões supostamente associados às parcelas. Este princípio é utilizado
para atenuar problemas de heterogeneidade ambiental (por exemplo distribuição desigual
de água em determinados blocos no caso de experimentos irrigados).
Os princípios mencionados norteiam modelos experimentais que objetivam
basicamente controlar ou isolar as diversas variações experimentais, dentre as quais
podemos destacar três tipos básicos de variações:
a) Variação Premeditada – que seria aquela introduzida pelo experimentador, com o
objetivo de fazer comparações (são os tratamentos). Ex.: competição entre variedades,
diferentes adubações, temperaturas, etc.
b) Variação Sistemática – é um tipo de variação não intencional, de origem conhecida,
podendo ser controlada pelo experimentador. São as variações inerentes às condições
experimentais: clima, área, animais em estudo, etc. Pode ser controlada extratificando-
se o experimento em blocos, linhas ou colunas, conforme o delineamento experimental
adotado. Se desprezada, esta variação estará sendo somada à variação residual,
aumentando demasiado o erro experimental, reduzindo a precisão do experimento e
dificultando a validez dos testes de comparações múltiplas e da própria análise de
variância, os quais serão vistos nos capítulos posteriores.
c) Variação Aleatória – são as variações não intencionais, de origem desconhecida, que
não podem ser controladas pelo experimentador. Constitui o erro experimental ou
resíduo.

12
 CAPÍTULOS III A IX
Delineamentos, Arranjos Experimentais e Testes de Comparações Múltiplas

CAPÍTULO III
Delineamento Inteiramente Casualizado (DIC)

O delineamento inteiramente casualizado é o mais simples de todos os

delineamentos experimentais. Os tratamentos são dispostos nas unidades experimentais de
forma inteiramente casual, isto é, sem qualquer restrição na casualização. Utilizam-se
apenas os princípios da repetição e da casualização. Assim, para utilizar este d
elineamento deve-se ter homogeneidade das condições ambientais e do material
experimental. Seu uso é mais frequente em experimentos de laboratório e nos ensaios com
vasos, realizados em casa-de-vegetação, onde as condições ambientais podem ser
perfeitamente controladas.
Este delineamento apresenta as seguintes vantagens, em relação a outros
delineamentos:
a) É um delineamento bastante flexível visto que qualquer número de repetições ou
tratamentos pode ser usado e o número de repetições pode variar de um tratamento para
outro sem que isto dificulte a análise. Sempre que possível, no entanto, deve-se usar o
mesmo número de repetições para todos os tratamentos.
b) A análise estatística é simples, mesmo quando o número de repetições por tratamento é
variável. E podemos testar um grande número de tratamentos.
c) Apresenta maior número de graus de liberdade associados ao Resíduo .

3.1. Modelo Estatístico

Yij = m + ti + eij com i = 1, 2,... I; e j = 1, 2,... J;

Yij = Valor observado na parcela que recebeu o tratamento i na repetição j;

m = média de população;
ti = efeito do tratamento i aplicado na parcela;
eij = efeito dos fatores não controlados na parcela.

3.2. Esquema de Casualização dos Tratamentos

Seja um experimento com 5 tratamentos (A, B, C, D, E) e 4 repetições (20 parcelas)

A B B E C
B A C D E
E A D C D
D E A B C

13
 Coleta de dados: TRATAMENTOS

A(1) B(2) C(3) D(4) E(5)

Y11 Y21 Y31 Y41 Y51
Y12 Y22 Y32 Y42 Y52
Y13 Y23 Y33 Y43 Y53
Y14 Y24 Y34 Y44 Y54
TA TB TC TD TE
mA mB mC mD mE

3.3. Análise de Variância (ANAVA): consiste na decomposição da variação total em

partes conhecidas (devido ao efeito de tratamentos) e outra parte desconhecida, de
natureza aleatória que constitui o erro experimental ou resíduo.

3.3.1. Pressuposições da Análise de Variância:

 Os diversos efeitos são aditivos;

 Os erros eij são normais e independentemente distribuídos, com variância
homogênea igual a 2.
 Generalizando para um experimento com I tratamentos e J repetições.

SQ total = ou SQ total = ou SQ total =

onde C = = Assim, SQT = ou SQT =

Onde G = ∑Yij = total geral do experimento

SQRes = SQ total – SQT

3.3.2. Quadro de Análise de Variância - ANAVA

Fontes de Variação GL SQ QM Fcalc

Tratamentos I–1 SQT QMT QMT/QMRes
Resíduo I(J – 1) SQRes QMRes
Total I J–1 SQTotal -----
Ftab = F (GL de Trat; GL de Res.)

14
 Hipótese Estatística:
Ho: T1 = T2 = ... = TI ou seja, os tratamentos são, estatisticamente, iguais entre si;
H1: Houve diferença estatística entre os tratamentos.

CV(%) = (s / mg).100 = % CV(%) = (Raiz(QMRes) / mg).100 = ?

 Exemplo prático 1: Os dados abaixo foram obtidos do trabalho “Aplicação da

Vermiculita em Afobres” (Dias, 1973), citado por BANZATTO e KRONCA. Utilizou-
se o delineamento inteiramente casualizado, com 4 repetições. Foram comparados os
efeitos de 5 tratamentos com relação ao crescimento de mudas de Pinus oocarpa, 60
dias após a semeadura.
Os tratamentos utilizados foram:
1. Solo de cerrado;
2. Solo de cerrado + esterco;
3. Solo de cerrado + esterco + NPK;
4. Solo de cerrado + Vermiculita;
5. Solo de cerrado + Vermiculita + NPK.

Os resultados obtidos para as alturas médias de Pinus oocarpa sob aqueles

tratamentos, em cm, aos 60 dias após a semeadura são apresentados a seguir:
Alturas médias de Pinus ooscarpa, aos 60 dias após a semeadura, em cm.

Repetições Totais
Tratamentos
1 2 3 4
1 4,6 5,7 5,8 5,5 T1=21,6 m1= 5,40
2 6,0 7,1 7,2 6,8 T2=27,1 m2= 6,77
3 5,8 7,2 6,9 6,7 T3=26,6 m3= 6,65
4 5,6 4,9 5,9 5,7 T4=22,1 m4= 5,60
5 5,8 6,4 6,6 6,8 T5=25,6 m5= 6,40
G = 123,0 G = 123,0

 Proceder a ANOVA adotando  = 1% e 5%.

Ho: Todos os possíveis contrastes entre médias de tratamentos são estatisticamente
nulos, ao nível de % de probabilidade.
H1: Existe pelo menos um contraste entre médias de tratamentos, estatisticamente
diferente de zero, ao nível de % de probabilidade.

SQ total = Assim:

15
SQ total = (4,6)2 + (6,0)2 + ... + (6,8)2 – = 10,63

SQT =

SQT = = 6,63

SQ Res = 10,63 – 6,63 = 4,00

Quadro – ANOVA
F.V. GL SQ QM Fc
Tratamento 4 6,63 1,66** 6,38
Resíduo 15 4,00 0,26
Total 19 10,63
F1% (4; 15) = 4,89 F5% (4; 15) = 3,06
** Significativo ao nível de 1% de probabilidade pelo teste F.

Conclusão: rejeita-se Ho, logo, existe pelo menos um contraste entre médias dos
tratamentos, estatisticamente diferente de zero, ao nível de 1% de probabilidade, pelo
teste F. Neste caso, recomenda-se a aplicação de testes de comparações múltiplas entre
as médias de tratamentos, para ranqueá-los.
Para calcular o Coeficiente de Variação faz-se o uso das seguintes fórmulas:
C.V.(%) = (Raiz(QMRes) / mg) . 100% = [(Raiz(0,26)/(123/20)]x100 = 8,29%.
Onde:

Média geral (mg) = n=(IJ)

16
 CAPÍTULO IV

Testes Paramétricos de Comparações Múltiplas ou Testes de Médias

Uma vez significativo o teste F, que sugeriu que pelo menos um contraste entre
médias de tratamentos seria significativo, ou que houve diferença significativa entre os
tratamentos, faz-se necessária a aplicação de testes específicos, que têm como objetivo
ranquear os tratamentos, e assim permitir ao pesquisador tirar conclusões mais seguras e
fazer suas recomendações ao público alvo do experimento. Dentre os testes, um dos mais
aplicados é o Teste de TUKEY, como segue:

4.1. Teste Tukey: é utilizado para testar todo e qualquer contraste/comparação entre duas
médias. É o mais utilizado dos testes de médias pelos pesquisadores, por ser o mais
rigoroso.

Fórmula geral: diferença mínima significativa = dms =  =

 = diferença mínima significativa.

q = amplitude total estudentizada.
q = f (, n, n’) = q(5%, I;GLRes) – Tabela Tukey a 5%.
 = nível de significância.
n = número de tratamentos I.
n' = número de graus de liberdade do resíduo (GLRes).

Seja o contraste

Admitindo as médias mi independentes V

Admitindo que:

= ;

Se ri = ru = r, então,

17
 =

Regra Decisória:
Se | |  , o contraste é significativo (estatisticamente  0) - * sig a 5%...
Se | | < , o contraste é não-significativo (estatisticamente nulo) – ns a 5%...
No exemplo 1, comparar as médias pelo teste TUKEY
Ho: mi = mu
H1: mi  mu iu
MÉDIAS ORDENADAS (em cm):

dms= = q. q5%(5;15) = 4,37 = 4,37 = 1,11cm

Compara as diferenças entre as médias com o

valor de delta ().

Fazendo os contrastes ou comparações: em relação ao  = 1,11:

C1 = m2 – m1 = 1,37 >  * C5 = m3 – m1 = 1,25 >  * C8 = m5 – m1 = 1,00 <  ns
C2 = m2 – m4 = 1,25 >  * C6 = m3 – m4 = 1,13 >  * C9 = m5 – m4 = 0,88 <  ns
C3 = m2 – m5 = 0,37 <  ns C7 = m3 – m5 = 0,25 <  ns
C4 = m2 – m3 = 0,12 <  ns C10 = m4 – m1 = 0,12 <  ns
* Significativo a 5% pelo teste de Tukey.
ns – não significativo a 5% pelo teste Tukey.
Colocando as letras indicadoras de diferenças e igualdades significativas:
m2 = 6,77 a
m3 = 6,65 a
m5 = 6,40 a b
m4 = 5,52 b
m1 = 5,40 b
Conclusão: médias seguidas de pelo menos uma mesma letra não diferem entre si, ao
nível de 5% de probabilidade, pelo teste TUKEY.
Interpretação:
Os tratamentos 2, 3 e 5 foram iguais entre si; os tratamentos 2 e 3 foram iguais entre
si e superaram os tratamentos 4 e 1; os tartamentos 5, 4 e 1 foram iguais entre si.

18
 Recomendações:
Com base no resultado do teste de Tukey, recomendaria os tratamentos 2, 3 e 5...

4.2. Teste Duncan: como o teste de Tukey, é também usado para testar contrastes entre
duas médias, porém, menos rigoroso que aquele em termos de rejeitar Ho. Assim, o
teste Duncan pode indicar resultados significativos em casos em que o teste de Tukey
não indicaria.

Fórmula geral: dms = Di = Z

Di = diferenças mínimas significativas;

Zi = amplitude total estudentizada;
Z = f (, n, n’), observada na Tabela Duncan;
 = nível de significância;
ni = número de médias ordenadas abrangidas pelo contraste ou comparação;
n' = número de graus de liberdade do resíduo (GLRes);
Obs.: Quando a maior média não diferir significativamente da menor, pelo teste
Duncan, não se admitirá diferenças significativas, pelo mesmo teste, entre
médias intermediárias.
Vimos que:

Di = Z . ; Se ri = ru = r

Di = Z .
Considerando o exemplo 1, aplicar o teste Duncan adotando  = 5%.
Ho: mi = mj
H1: mi  mj ij

Colocação das letras ou barras:

m2 = 6,77 a
m3 = 6,65 a
m5 = 6,40 a
m4 = 5,52 b
m1 = 5,40 b
C1 = m2 – m1 = 1,37 > D5 * C5 = m3 – m1 = 1,25 > D4 * C8 = m5 – m1 = 1,00 > D3 *
C2 = m2 – m4 = 1,25 > D4 * C6 = m3 – m4 = 1,13 > D3 * C9 = m5 – m4 = 0,88 > D2 *
C3 = m2 – m5 = 0,37 < D3 ns C7 = m3 – m5 = 0,25 < D2 ns
C4 = m2 – m3 = 0,12 < D2 ns *Signific a 5% e ns – nãos signific a 5% C10 = m4 – m1 = 0,12 < D2 ns
D5 = 0,84 D4 = 0,83 D3 = 0,80 D2 = 0,77 * sig a 5%, p t Duncan ns – não sig a 5%
...

19
 Z5% (5; 15) = 3,31  D5 = 3,31 = 0,84

Z5% (4; 15) = 3,25  D4 = 3,25 = 0,83

Z5% (3; 15) = 3,16  D3 = 3,16 = 0,80

Z5% (2; 15) = 3,01  D2 = 3,01 = 0,77

Conclusão: médias unidas por

uma mesma barra, não diferem
entre si, ao nível de 5% de
probabilidade, pelo teste
Duncan. OU

Conclusão: médias seguidas por pelo menos uma mesma letra, não diferem entre si,
ao nível de 5% de probabilidade, pelo teste Duncan.
Interpretação:

4.3. Teste de Newman-Keuls: usado para testar contrastes entre duas médias. Em termos
de rigor é intermediário entre os testes de Tukey e Duncan. Usa-se a metodologia de
Duncan com a tabela de Tukey.

Fórmula geral: i = q ; q = f(; g’; n’)

 = nível de significância.
g' = número de médias ordenadas abrangidas pelo contraste.
n' = número de graus de liberdade do resíduo.

 i = qi = ; Se ri = ru = r

i = qi =

No exemplo comparar as médias pelo teste de N.K.

Ho: mi = mj
H1: mi  mj para i  j

20
 q (5,15) = 4,37

5 = 4,37

q5 = (4,15) = 4,08 4 = 4,08

= 1,40

q5%(3; 15) = 3,67 3 = 3,36 = 0,93

= 0,37n.s | | = 1,13* | | = 1,15*

q5 ao (2, 15) 3,01 2 = 3,01 = 0,77

| | = 0,88*, | | = 0,27ns
Conclusão: médias unidas por uma mesma barra não diferem entre si pelo teste N.K.,
ao nível de 5% de probabilidade.
4.4. Teste de Dunnett: este teste é utilizado quando as únicas comparações que
interessam ao experimentador são aquelas feitas entre um determinado tratamento
padrão, geralmente a testemunha ou controle, e cada um dos demais tratamentos, não
havendo interesse na comparação dos demais tratamentos entre si. Assim, um
experimento com I tratamentos (um dos quais a testemunha ou padrão P) permite a
aplicação do teste a I-1 comparações.
O valor do teste ou diferença mínima d’ é dado por:

d’ = td.s
td é o valor dado na tabela para uso: no teste de Dunnett.
td = f(, n1, n2)
d’ = diferença mínima significativa

 = nível de significância
n1 = número de g.l. para tratamento s

n2 = número de g.l. para o resíduo.

21
 d’ = td. ; Se ri = ru = r d’ = td.

Todo | |  d’ será significativo, indicando que a média da testemunha (ou padrão)

difere significativamente da média do tratamento com ela comparado.
Todo | | < d’ será não-significativo. As médias do contraste não diferem entre si.

 No exemplo anterior, admitindo o tratamento 1 (solo de cerrado) como testemunha,

podemos compara-lo, através do teste de Dunnett, com os demais tratamentos.

d' = td.s td5%(4; 15) = 2,73 . 0,26 = 0,13 = 0,36

d’ = 2,73 x 0,36 = 0,98

Conclusão: Verifica-se, portanto, que os tratamentos 2, 3 e 5 diferiam da testemunha

e foram estatisticamente superiores. O tratamento 4 não diferiu da testemunha.

ACRESCENTAR TESTE DE SCOT KNOT – utilizado para experimentos com

grande número de tratamentos, por exemplo I > ou = 8.

4.5. Teste de Scheffé: esse teste pode ser aplicado para testar todo e qualquer contraste
entre médias de tratamentos. Mas é frequentemente utilizado para testar contrastes
que envolvem grupos de médias.

A estatística do teste, denotada por S, é calculada por:

S=
Onde:
I = número de tratamentos de experimento;
F = valor tabelado; F = F(n1, n2);
n1 = G.l. para Tratamento;
n2 = G.l. para o Resíduo.

Seja 

C = 1m1 + 1m2 + 1m3 + 1m4 – 4m5 se a soma dos a’s deu zero, aplique o teste.

22
 C = Grupo 1 - Grupo 2
Admitindo as médias independentes: Obs.: V(k . x) = k2 . V(x); K = cte.

; se:

Substituindo V2 por QMR

Assim:

S= S=

Hipóteses e Regra Decisória:

4.6. Teste “t” de Student: como o teste de Scheffé, é utilisado para testar contrastes entre
duas médias ou contrastes que envolvem grupos de médias. É mais complexo que o
teste de Scheffé e menos rigoroso. Para a aplicação correta deste teste devemos
considerar os seguintes requisitos básicos:
a) Os contrastes a serem testados devem ser ortogonais entre si;
b) Os contrastes devem ser estabelecidos antes de serem examinados os dados (na
fase de planejamento do experimento).
 A estatística do teste, denotada por “t”, é calculada por:

t= ou seja, tcalculado = t5%(GLRes)

Hipóteses: Ho : c = 0
H1 : c  0

23
 Regra Decisória:
{Se |t calc|  t  (G.L. Resíduo) : Rejeita-se Ho
{Se |t calc| < t  (G.l. Resíduo) : Aceita-se Ho

 APLICAÇÃO PRÁTICA:
Em um experimento de competição de adubos nitrogenados para o abacaxizeiro,
foram utilizados 6 tratamentos (5 tipos de adubo e 1 testemunha), com 4 repetições por
tratamento, no D.I.C.
Os tratamentos utilizados, com as respectivas médias de produção, em Kg/parcela,
foram: Tratamentos

1. testemunha = 21,57
2. sulfato de amônio = 27,76
3. Salitre do chile = 24,58
4. Uréia = 28,44
5. Nitrogênio de Cubatão(S) = 28,85
6. Nitrocálcio de cubatão(sem S) = 28,30

A estimativa da variância residual ou QMRes = 0,64 e GLRes = 18

 Verificar, pelos testes “t” e Scheffé, se os adubos nitrogenados promoveram efeito na

produção do abacaxizeiro, adotando  = 5% de significância.

1. Teste de Scheffé
Esquema resumido da ANOVA.
F.V. GL
Tratos 5
Resíduos (18)
Total 23

 O contraste que nos permite efetuar a comparação acima é:


G1 contra G2

C = 5m1 – m2 – m3 – m4 – m5 – m6, pois m1 é o controle (sem adubo nitrogenado).

Ho : C = 0
H1 : C  0

Scheffé (S)

24
 = 5(21,57) – 27,76 - 24,58 - 28,44 - 28,85 - 28,30 = - 30,08 kg/parcela, indicando
que os adubos nitrogenados proporcionaram, em média, um aumento de produção de
6,02 kg/parcela ( /5 = 30,08/5 = 6,02) em relação à testemunha.

= 4,80

S=

I = 6; F5% (5; 18) = 2,77; S= = S = 8,15

 Como o | | > S, rejeita-se Ho, ou seja, os adubos nitrogenados promoveram, em

média, maior rendimento nos abacaxizeiros que a testemunha, sem adubos.

2. Teste t
C = 5m1 – m2 – m3 – m4 – m5 – m6
Ho : C = 0
H1: C  0

t= pela tabela “t” t5%(18) = 2,10

 Como o |tcalc| > t5% (18), rejeita-se o Ho, ou seja, os adubos nitrogenados promoveram,
em média, maior rendimento nos abacaxizeiros que a testemunha, sem adubos.

 Considerando este mesmo experimento e  = 5%, pedem-se:

a) Aplicar o teste Tukey
b) Aplicar o teste Duncan
c) Aplicar o teste de Dunnett
d) Verificar, usando os testes de Scheffé e “t”, se existe diferença entre nitrocálcio de
Cubatão (com e sem enxofre) e os demais adubos nitrogenados.
>> O contraste que nos fornece esta comparação (item d) é:
C=2m2+2m3+2m4–3m5–3m6

25
 CAPÍTULO V

Delineamento em Blocos Casualizados (D.B.C.)

5.1. Introdução

O delineamento em blocos casualizados leva em consideração, além dos

princípios da “repetição” e da “casualização”, também o princípio do “controle local”. É o
mais utilizado de todos os delineamentos experimentais.
Sempre que não houver homogeneidade dos materiais e/ou das condições
experimentais, utilizamos este tipo de delineamento que, nestas condições, é mais eficiente
que o inteiramente casualizado.
Cada bloco constitui uma repetição e nele os tratamentos são distribuídos
inteiramente ao acaso. Deve-se ressaltar que, dentro de cada bloco, o ambiente deve ser o
mais homogêneo possível.

5.2. Casualização

Seja um experimento com 5 tratamentos (A, B, C, D, E) e 4 repetições no D.B.C.

Obs.: Gradiente de fertilidade de cima para baixo (do bloco 1 para o 4).
B C D E A Bloco 1

E A B D C Bloco 2

D B C A E Bloco 3

C E A B D Bloco 4

Em experimentos zootécnicos, cada bloco seria constituído por animais com

características semelhantes, tais como: idade, peso, sexo, raça, etc.

5.3. Modelo Estatístico

Yij = m + ti + bj + eij, para:

i = 1, 2, 3, ..., I
j = 1, 2, 3, ..., J, onde:
Yij = Valor observado, na parcela relativa ao tratamento i no bloco j;
m = média geral;
ti = efeito devido ao tratamento i;
bj = efeito devido ao bloco j.
eij = efeito devido aos fatores não controlados (erro experimental ou residual).
26
5.4. Análise de Variância

Consiste na decomposição da variação total nos efeitos de tratamentos, blocos e

erro experimental ou resíduo.

 Seja um experimento com dois tratamentos e 3 repetições no D.B.C.

Blocos Trat. 1 Trat. 2 Totais blocos
I Y11 Y21 B1
II Y12 Y22 B2
III Y13 Y23 B3
Totais trat. T1 T2 G

 Generalizando para I tratamentos e J repetições ou blocos:

SQtotal = ; SQT = ; SQB =

SQRes = SQtotal – SQTratamento – SQBlocos

Quadro da ANOVA:
F.V. GL SQ QM F
Blocos J-1 SQB
Tratos I-1 SQT QMT QMT
Resíduo (I-1).(J-1) SQR QMR QMR
Total IJ-1 SQtotal

 Exemplo Prático: Os dados abaixo foram obtidos de um experimento no D.B.C. com

4 repetições. Os tratamentos constaram de 5 variedades de caju e o peso médio dos
frutos, em gramas, são dados a seguir:
Blocos
Trats. Totais
I II III IV
1 142,36 144,78 145,19 138,88 571,21
2 139,28 137,77 144,44 130,61 552,10
3 140,73 134,06 136,07 144,11 554,97
4 150,88 135,83 136,97 136,36 560,04
5 153,49 165,02 151,75 150,22 620,48
Totais 726,74 717,46 714,42 700,18 2.858,80

27
 Para  = 5%, podem-se:
a) Proceder a ANOVA
b) Aplicar o teste TUKEY
c) Aplicar o teste Duncan
d) Determinar o Coeficiente de Variação (C.V.)
e) Testar o contraste C = m1 + m2 + m3 – m3, utilizando o teste “t” e Scheffé.

 Soluções:
a) ANOVA:

SQtotal =

SQtotal = 142,362 + 139,282 + ... + 150,222 -

SQtotal = 1.273,95

SQT = 794,93

SQB =

SQB = 72,70
SQRes = SQtotal – SQT – SQB = 406,3248

28
 Quadro da ANOVA
F.V. GL SQ QM F
Tratos 4 794,93 198,73** 5,87
Blocos 3 72,70
Resid. 12 406,32 33,86
total 19 1.273,95 F1% (4; 12) = 5,41 F5% (4; 12) = 3,26
** Significativo a 1% de probabilidade.

Conclusão: Existe pelo menos um contraste entre médias de tratamentos, estatisticamente

diferente de zero, ao nível de 1% de probabilidade.

b) Teste de TUKEY
Ho : mi = mj
H1 : mi = mj para i  j

q5% (5; 12) = 4,51  = 4,51 13,12

Conclusão: As médias seguidas de pelo menos uma mesma letra, não diferem entre si, ao
nível de 5% de probabilidade, pelo teste de Tukey.
Obs.: Resolver os itens seguintes.

 Exercício proposto: Em um experimento no D.B.C, com 8 repetições, são dados:

Totais de tratamentos: T1 = 92,1; T2 = 68,6; T3 = 72,8; T4 = 83,8; T5 = 81,7:
SQResíduo = 28,52
Para  = 5%, pedem-se:
a) Análise de variância
b)Aplicar o teste de Tukey
c) Aplicar o teste de Duncan
d) Aplicar os testes de Scheffé e “t” ao contraste:
C = 4m1 – m2 – m3 – m4 – m5
e) Calcular o Coeficiente de Variação
f) Interpretar os resultados dos itens anteriores

29
 CAPÍTULO VI

Delineamento em Quadrado Latino (DQL)

6.1. Introdução

Quando podemos observar a presença de duas fontes de variabilidade nas

unidades experimentais como, por exemplo, número de partos e raças, idade e peso,
desníveis no solo, dentre outros, empregamos o delineamento em Quadrado Latino. Cada
unidade experimental deve pertencer ao nível de uma e da outra fonte de variabilidade. O
número de níveis de ambas as fontes e o número de tratamentos devem ser iguais. Os
níveis de uma das fontes formam as linhas e os níveis da outra fonte formam as colunas.

 Exemplos:
1) Suponhamos que se deseja comparar 5 rações para animais. Sabe-se que diferentes
idades e diferentes pesos iniciais afetam o ganho de peso desses animais. Assim,
pode-se colocar 5 animais de mesma idade nas linhas e 5 animais com mesmo
peso inicial nas colunas.
PESOS
IDADE
P1 P2 P3 P4 P5
I1 B D A E C
I2 D A C B E
I3 E B D C A
I4 A C E D B
I5 C E B A D

2) Este delineamento pode também ser usado para eliminar o efeito da

heterogeneidade do solo em duas direções perpendiculares (linhas numa direção e
colunas na outra).

6.2. Características

1) Este delineamento é recomendável quando as unidades experimentais puderem ser

agrupadas de acordo com os níveis de duas fontes de variação.
2) O número total de unidades experimentais necessárias para esse delineamento é
igual a I2, sendo I o número de tratamentos, linhas ou colunas.
3) Cada tratamento é representado uma única vez e ao acaso em cada linha e em cada
coluna.
4) O número de tratamentos é igual ao número de repetições, logo, este delineamento
é menos flexível que DIC e DBC.

30
 5) Dentro das linhas e dentro das colunas deve-se ter a maior uniformidade possível.
6) Os quadrados latinos constituem um bom tipo de delineamento, mais sua
flexibilidade é muito menor em relação aos demais. Como o número de repetições
deve ser igual ao número de tratamentos, linhas ou colunas, em geral não se usam
quadrados latinos no caso de se ter mais de 8 tratamentos, pois o número de
repetições seria, na maioria das vezes, um tanto exagerado.
7) Os quadrados latinos 2x2, 3x3 e 4x4 apresentam, respectivamente, 0, 2 e 6 graus
de liberdade para o resíduo. Em tais casos, recomenda-se repetir suficientemente o
experimento, objetivando um número de graus de liberdade aceitável para a
variância residual ex.: Dois QL de 4x4 dão 15 g.l.res.). Os quadrados latinos mais
usuais são 5x5 até 8x8.

6.3. Casualização

Seja um experimento no DQL com 5 tratamentos (A, B, C, D, E).

1) Faz-se a distribuição sistemática dos tratamentos nas linhas de maneira que cada
coluna contenha também todos os tratamentos:
C1 C2 C3 C4 C5
L1 A B C D E
L2 E A B C D
L3 D E A B C
L4 C D E A B
L5 B C D E A

2) Em seguida faz-se a redistribuição, ao acaso, das linhas e colunas.

2.1. Permutação, ao acaso, das linhas.
L2 E A B C D
L4 C D E A B
L5 B C D E A
L1 A B C D E
L3 D E A B C

2.2. Permutação, ao acaso das colunas.

C2 C4 C5 C3 C1
L1 B D E C A
L2 E B C A D
L3 D A B E C
L4 C E A D B
L5 A C D B E

2.3. Renumeração das linhas e das colunas.

31
 C1 C2 C3 C4 C5
L1 B D E C A
L2 E B C A D
L3 D A B E C
L4 C E A D B
L5 A C D B E
(Quadrado Latino casualizado e pronto para instalação)

6.4. Modelo Estatístico

Yijk = m + li + cj + (tk)ij + eijk

Onde:
Yijk = observação relativa ao tratamento k na linha i e coluna j;
m = média geral;
li = efeito da linha i;
cj = efeito da linha j;
(tk)ij = efeito do tratamento k na linha i e coluna j;
eijk = erro experimental.
6.5. Fórmulas das Somas de Quadrados

Através de procedimento semelhante ao utilizado no D.B.C., chega-se às

seguintes expressões para o cálculo das somas de quadrados:

SQtotal = SQL = SQC =

SQTr =

SQRes = Sqtotal – SQL – SQC – SQT I’=IJ

 Quadro ANOVA:
F.V. GL SQ QM F
Linhas I-1 SQL
Colunas I-1 SQC
Tratamentos I-1 SQT QMT QMT/QMR
Resíduo (I-2) (I-1) SQR QMR
Total I’2-1 SQtotal

32
 Exemplo Prático:

Em um experimento de competição de variedades de cana-de-açúcar foram

utiliadas 5 variedades (A, B, C, D, E) dispostas no DQL. As produções de cana-planta, em
kg por parcelas de 4,5mx10m, são dadas a seguir:
C1 C2 C3 C4 C5 Totais
L1 D 432 A 518 B 458 C 583 E 331 2322
L2 C 724 E 478 A 524 B 550 D 400 2676
L3 E 489 B 384 C 556 D 297 A 420 2146
B 494 D 500 E 313 A 486 C 501 2294
L4
A 515 C 660 D 438 E 394 B 318 2325
L5
Totais 2654 2540 2289 2310 1970 11763

SQtotal = 4322 + 7242 + ... + 3182 -

SQL =

SQC =

Totais dos tratos: TA = 2463; TB = 2204; TC = 3024; TD = 2067; TE = 2005

SQT =

SQRes = SQtotal – SQL – SQC – SQT = 34116

 Quadro ANOVA:
F.V. GL SQ QM F
Linhas 4 30480
Colunas 4 55640
Tratos 4 137488 34372**
Resíduo 12 34116 (2843) 12,09
total 24 257724,24
** significativo ao nível de 1% de probabilidade, pois F1% (4; 12) = 5,41

Conclusão: Existe pelo menos um contraste entre médias de tratamentos, estatisticamente

diferente de zero, ao nível de 1% de probabilidade.

ATENÇÃO: EXTRAPOLAR OS DADOS PARA t/ha E REFAZER A ANÁLISE.

33
 Teste TUKEY:

Ho : mi = mj
H1 : mj mj para i  j

mc a

mA b

mB b

mD b
mE b
Conclusão: As médias seguidas de pelo menos uma mesma letra, não diferem entre si, ao
nível de 5% de probabilidade, pelo teste Tukey.
Aplicar o teste Duncan
Testar o contraste: C = 3m1 – m2 – m3 – m4 pelos testes de Scheffé e “t”.

34
 CAPÍTULO VII – EXPERIMENTOS COMPLEXOS

Experimentos Fatoriais

7.1. Introdução
Experimentos Fatoriais são aqueles em que se estudam simultaneamente dois ou
mais fatores. Esses experimentos em si, não constituem um delineamento experimental,
mas, podem ser executados em quaisquer dos delineamentos, tais como: inteiramente
casualizado, blocos casualizados, quadrado latino, etc.
Os experimentos fatoriais geralmente são mais eficientes do que os experimentos
simples com um só conjunto de tratamentos (por exemplo só competição de cultivares, sem
variação de espaçamentos ou só espaçamentos com único cultivar) e permitem tirar
conclusões mais gerais. Assim, se plantarmos 4 cultivares novas (A1, A2, A3 e A4) num
mesmo espaçamento E1, somente poderemos concluir que A3, por exemplo, é a melhor se
este espaçamento for usado. É possível, porém, que com outro espaçamento E2 o cultivar
A4 venha a superar largamente qualquer outra cultivar com qualquer outro espaçamento.
Num experimento fatorial com cultivares e espaçamentos, simultaneamente pesquisados,
esta possibilidade é estudada, de modo que as conclusões são mais gerais.
Nos experimentos fatoriais cada nível de um fator se combina com cada um dos
níveis de outros fatores, constituindo um tratamento. Assim, em um experimento com dois
fatores A e B, onde o fator A tem 4 níveis (A1, A2, A3, A4) e o fator B 3 níveis (B1, B2, B3),
teremos, então, um fatorial 4x3 (duplo, pois tem dois fatores A e B) e os tratamentos (I’ =
12), resultantes de todas as combinações possíveis, são:
A1B1 A2B1 A3B1 A4B1
A1B2 A2B2 A3B2 A4B2
A1B3 A2B3 A3B3 A4B3

 Assim, poderíamos combinar os 3 fatores (N, P, K, fatorial triplo) com 3

níveis cada (as doses): Fat. 3x3x3 ou Fat. 33
3 doses de N
3 doses de P
3 doses de K
 Um Fatorial 3x22 ou 3x2x2 se caracteriza pela combinação de 3 fatores,
sendo um com 3 níveis e os outros dois com dois níveis, resultando assim em 12
combinações que constituem os tratamentos.
3 doses de N
2 doses de P
2 doses de K
 Um Fatorial 23 ou 2x2x2 se caracteriza pela combinação de 3 fatores, cada
um com 2 níveis, constituindo, portanto, 8 tratamentos.
2 doses de N (N0, N1)
2 doses de P (P0, P1)
2 doses de K (K0, K1)

35
Os tratamentos serão:
N0P0K0 N1P0K0
N0P0K1 N1P0K1
N0P1K0 N1P1K0
N0P1K1 N1P1K1
 Quando os tratamentos são quantitativos, é comum apresentar somente
através dos níveis. Assim, temos as combinações.
0 0 0 1 0 0
0 0 1 1 0 1
0 1 0 1 1 0
0 1 1 1 1 1

7.2. Classificação dos efeitos:

1. Efeito principal ou isolado dos Fatores: é o efeito de cada fator, independente da
influência de outros fatores.
2. Efeito de interação entre os fatores: é a resposta diferencial da combinação de
tratamentos que não se deve a efeitos principais. Ocorre interação quando os efeitos
dos níveis de um fator são modificados por níveis do outro fator.
Assim temos:

2.1. Não há interação significativa:

B\A a1 a2 a3
b1 2 4 6
b2 5 7 9

2.2. Há interação significativa:

B\A a1 a2 a3
b1 2 4 6
b2 5 10 2

36
7.3. Análise de Variância:

Seja um experimento fatorial com dois fatores A e B, onde:

O fator A tem I níveis: A1, A2, ... AI e
O fator B tem J níveis: B1, B2, ... BJ
No delineamento inteiramente casualizado, com K repetições;
 O modelo estatístico associado a este tipo de experimento é:
Yi j k =  + i + j + (
)i j + ei j k
Onde: i = 1, 2, …, I j = 1, 2, ..., J k = 1, 2, …, K
O destaque no modelo, em negrito, é o efeito de tratamento ti, decomposto nos
efeitos principais e de interação.
 i é o efeito do i-ésimo nível do fator A;
 j = efeito do j-ésimo nível de fator B;
 ()i j é o efeito da interação entre o i-ésimo nível do fator A e o j-ésimo nível do fator
B;
 ei j k é o erro aleatório associado à observação Yi j k, é o erro experimental.

7.4. Cálculo das somas de quadrado:

Consideremos o quadro abaixo:

A1 A2 ... AI
B1 B2 ... BJ B1 B2 … BJ B1 B2 … BJ B1 B2 … BJ
Y111 Y121 ... Y1J1 Y211 Y221 ... Y2J1 ... ... ... ... Y111 Y121 ... Y IJ 1
Y112 Y122 ... Y1J2 Y212 Y222 ... Y2J2 ... ... ... ... Yi12 YI22 ... Y IJ 2
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
Y11k Y12k ... Y1Jk Y21k Y22k ... Y2Jk ... ... ... ... Y11k Y12k ... Y IJ k

SQtotal =

SQ(A) =

SQ(B) =

SQ(AxB) = SQTrat(Ai; Bj) – SQ(A) – SQ(B)

37
Onde:

SQTrat(Ai; Bj) = SQT =

 SQResíduo = SQtotal – SQTrat(A;B)

Observação: se o delineamento for blocos casualizados, o SQResíduo será:

SQResíduo = SQtotal – SQT - SQBlocos

ANOVA

 Quadro da análise de variância (D.I.C.)

F.V. GL SQ QM F
A I-1 SQ (A) QM (A) Fc A= QMA / QMR
B J-1 SQ (B) QM (B) Fc B= QMB / QMR
Inter. A x B (I-1) (J-1) SQ (AxB) QM (AxB) Fc Inter=QM (AxB) / QMR
Trats(A;B) (IJ-1) (SQT)
Resíduo IJ (k-1) SQRes QMRes Ftabs = são 3 Fs
Total IJK-1 SQtotal

Esquema de ANOVA para um Fat. AxB, no DBC

SQtotal =

SQ(A) =

SQ(B) =

SQ(AxB) = SQ(A, B) – SQ(A) – SQ(B)

Onde:

SQTrats(A, B) = SQT =

SQ(Blocos) =

 SQResíduo = SQtotal – SQT - SQBlocos

38
ANOVA

 Quadro da análise de variância (D.B.C.)

F.V. GL SQ QM F
Fc A= QMA / QMR
A I-1 SQ (A) QM (A)
Fc B= QMB / QMR
B J-1 SQ (B) QM (B)
Fc Inter= QM (AxB) /
AxB (I-1) (J-1) SQ (AxB) QM(AxB)
QMR
Trats(A;B) (IJ-1) SQTrat(A;B) ---
Blocos K-1 SQBlocs ---
Resíduo (IJ -1).(K - 1) SQRes QMRes Ftabs = São 3
Total IJK-1 SQTotal ---

 Quadro da análise de variância (D.Q.L.) ????

F.V. GL SQ QM F
A I-1 SQ (A) QM (A) Fc A= QMA / QMR
B J-1 SQ (B) QM (B) Fc B= QMB / QMR
AxB (I-1) (J-1) SQ (AxB) QM (AxB) Fc Inter=QM(AxB)/QMR
Trats (A;B) (IJ-1) (SQT)
Linhas (IJ-1) SQLinhs
Colunas (IJ-1) SQCols
Resíduo (IJK-1) – 3(IJ-1) SQRes QMRes
Total IJK-1 SQtotal

7.5. Exemplos Ilustrativos:

Experimento 1: seja um experimento com dois fatores A e B, com 4 níveis do fator A

(FONTES DE MATERIA ORGÂNICA ou Estercos) e 2 níveis do fator B
(INCORPORADO e NÃO INCORPORADO), constituindo 8 tratamentos (I´ = AxB = IxJ
= 4x2 = 8), dispostos no delineamento em blocos casualizado, com 3 repetições (r=K= 3),
totalizando 24 parcelas experimentais (n = I’ . K = 8 x 3 = 24), na cultura da Batata Doce.
Fatorial 4x2, no DBC, com k = r = 3, portanto, n = 24 parceals:
A1 ESTERCO DE CURRAL B1 Incorporado
A2 ESTERCO CAPRINO B2 Não Incorporado
A3 ESTERCO SUÍNO
A4 TEST ou Controle

39
Definição dos Tratamentos: com r = k = 3 blocos
A1B1 A1B2 A2B1 A2B2 A3B1 A3B2 A4B1 A4B2
CROQUI DO EXPERIMENTO fat 4x2, no DBC, r = 3, assim n = 24:
Bloco I A3B1 A2B2 A1B2 A4B2 A2B1 A4B1 A3B2 A1B1
Bloco II A2B2 A3B1 A4B1 A1B1 A3B2 A4B2 A2B1 A1B2
Bloco III A1B1 A2B1 A1B2 A3B2 A4B1 A2B2 A3B1 A4B2

Coleta de dados (t.ha-1): para SQTotal

A/B Fat. A A1 A2 A3 A4
Fat B I II III I II III I II III I II III
16,3 15,4 20,4 20,3 21,1
B1 17,41 3 0 19,47 18,51 17,73 1 3 7 15,15 16,17 14,11
12,1 14,1 19,1 18,0 17,9
B2 13,40 7 9 18,18 16,15 17,08 1 1 4 13,13 14,95 12,19

Os Totais de Tratamentos constam do Quadro AUXILIAR:

Fator A
Fator B Est. Curral E. Caprino E. Suíno Test. TBj
Incorp 49,14 55,71 61,91 45,43 212,19
Não Incorp. 39,76 51,41 55,06 40,27 186,50
TAi 88,90 107,12 116,97 85,70 G =∑Yijk = 398,69

I=A J=B K=r A = 1, 2, 3 e 4 (I = 4) B = 1 e 2 (B = 2) k = 1, 2 e 3 (k = r =

3)

Análise de Variância:
Encontrar os Totais de Blocos: TBloc1 TBloco2 e TBloco3

SQTotal = ∑Yijk2 – C = ∑ (17,412 + ... + 12,192) – C = 156,03

40
SQ (AxB) = SQT(A;B) – SQA – SQB = 141,00 – 111,00 – 27,50 = 2,50

SQ Re síduo = SQTotal – SQTrats – SQBlocos

SQ Re síduo = 156,03 – 141,00 – 2,62 = 12,41

 Quadro da ANOVA:
F.V. GL SQ QM Fc F1% e F5%
Fator Estercos 3 111,00 37,00** 41,57 5,56
Fator Incorpor. 1 27,50 27,50** 30,90 8,86
Int. Est. x Incorp 3 2,50 0,83 ns 0,93 5,56 3,34
Trats(A;B) (7) (141,00)
Blocos 2 2,62
Resíduo 14 12,41 QMRes = 0,89
Total 23 156,03
C.V. 5,68%
**significativo ao nível de 1% de probabilidade pelo teste F;
ns - não significativo ao nível de 5% de probabilidade, pelo teste F.

 Conclusões:
a) Houve pelo menos um contraste entre médias dos níveis do fator estercos,
estatisticamente diferente de zero, ao nível de 1% de probabilidade, pelo teste F. Um teste
de médias deverá ser aplicado para ranquear os estercos.

b) Houve pelo menos um contraste entre médias dos níveis do fator incorporação,
estatisticamente diferente de zero, ao nível de 1% de probabilidade, pelo teste F.

Obs.: Como só temos 1 G.L para Incorporação, ou seja, Incorpora ou Não Incorpora
os estercos, estes já se diferiram, a 1% pelo teste F, dispensando testes de médias.
Encontre suas médias e indique se incorpora ou não.

c) Não se observou interação significativa entre os estercos e a prática da incorporação ou

não destes. Isto significa que o comportamento dos estercos não depende de suas
incorporações, e vice versa sendo, portanto, independentes entre si. Neste caso, em que não
houver interação, os fatores devem ser estudados isoladamente, como se fossem dois
experimentos separados.
Podemos, neste caso, aplicar um dos métodos de comparações múltiplas (Tukey,
Duncan etc.) para comparar as médias dos efeitos principais que foram significativos.

41
Aplicando o teste Tukey para  = 5% aos fatores A e B, temos:

Fator A

a Est. Suíno

b Est. Caprino

c Est. Curral

c Controle ou Test. = 1,58 t/ha de batata doce

Conclusão: As médias dos níveis do fator esterco seguidas de pelo menos uma mesma
letra, não diferem entre si, ao nível de 5% de probabilidade, pelo teste Tukey.

Interpretação: os estercos de suíno e de caprino foram os mais eficientes, nesta ordem,

superando o esterco de curral e a testemunha, sendo estes dois últimos iguais entre si.
No que diz respeito ao fator Incorporação, o qual tem apenas 1 G.L. (neste caso o
teste F é conclusivo), uma vez que houve significância pelo teste F, não se recomenda
aplicação de testes complementares como Tukey ou Duncan, bastando explicitar sua
médias e definir o melhor tratamento, como segue:
Fator B : Incorporado (B1) e Não Incorporado (B2)

t/ha Incorporar

t/ha Não incorporar

Interpretação: a técnica de incorporação dos estercos se mostrou mais eficiente que a de

não incorporação, possibilitando um aumento médio de produtividade da ordem de 2,14
t/ha de batata doce.

Experimento 2: seja um experimento com dois fatores A (Vars de tomates) e B

(Espaçamentos), com 3 e 4 níveis, respectivamente, constituindo 12 tratamentos, dispostos
no delineamento inteiramente casualizado com 3 repetições. Os totais de tratamentos
constam do quadro AUXILIAR: (Fat. 3x4 = 12 trats x 3 = n = 36 parcelas

Fator B (Espaçamentos)
Fator A (Var) E1 E2 E3 E4 Totais
V1 120* 132 150 162 TV1 = 564
V2 126 141 162 171 TV2 = 600
V3 144 150 171 186 TV3 = 651

42
 totais TE1 = 390 TE2 = 423 TE3 = 483 TE4 = 519 1.815,00
* cada valor como este vem de 3 repetições (Fat. 3x4, no DIC, com 3 repetições). n = 36

Dados: SQtotal = 1.498,67 mG = 1815,00/36 =

50,42t/ha

SQ (AxB) = 1.454,75 – 318,50 – 1.124,75 = 11,50

SQ Re síduo = SQTotal – SQTrats (A, B)
SQ Re síduo = 1.498,67 – 1.454,75 = 43,92

 Quadro ANOVA:
F.V. GL SQ QM Fc
Fator Vars 2 318,50 159,25** 87,02
Fator Espç 3 1.124,75 374,91** 204,87
Int. Var x Esp 6 11,50 1,92 n.s. 1,05
Trats (Vars;Epaç) (11) (1.454,75)
Resíduo 24 43,93 1,83
Total 35 1.498,67
C.V.(%) 2,68
**significativo ao nível de 1% de probabilidade; n.s. não significativo ao nível
de 5% de probabilidade, pelo teste F.

FtabA= F1%(2;24) = 5,61 FtabA= F5%(2;24) = 3,40

FtabB= F1%(3;24) = 4,72 FtabB= F5%(3;24) = 3,01
FtabAxB= F1%(6;24) = 3,67 FtabAxB= F5%(6;24) = 2,51

 Conclusões:
a) Houve pelo menos um contraste entre médias dos níveis do fator Vars,
estatisticamente diferente de zero, ao nível de 1% de probabilidade, pelo teste F.
b) Houve pelo menos um contraste entre médias dos níveis do fator Espaç,
estatisticamente diferente de zero, ao nível de 1% de probabilidade, pelo teste F.
c) Não observou-se interação significativa entre os fatores Vars e Espaçs. Isto
significa que o comportamento de um fator não depende dos níveis do outro fator, e
vice versa, sendo portanto, independentes. Neste caso, em que não houve interação,
os fatores podem ser estudados isoladamente.

43
 Podemos, neste caso, aplicar um dos métodos de comparações múltiplas (Tukey,
Duncan etc.) para comparar as médias dos efeitos principais que foram significativos.

 Aplicando o teste Tukey para os fatores Vars e Espaçs, temos:

(adotar  = 5%)

Fator Vars

c = 1,38 t/ha
Conclusão: As médias dos níveis do fator Vars seguidas de pelo menos uma mesma letra,
não diferem entre si, ao nível de 5% de probabilidade, pelo teste Tukey.......

Fator Espaç

d =1,76 t/ha

Conclusão: As médias dos níveis do fator Espaçs seguidas de pelo menos uma letra, não
diferem entre si, ao nível de 5% de probabilidade pelo teste Tukey.......
Testar o contraste C = mEspç1 + mEspç2 + mEspç3 – 3mEspç4 ou C = 3mEspç4 -mEspç1-mEspç2-mEspç3
pelo teste de Scheffé:
(adotar  = 5%)
HO: C = 0

44
H1 : C  0

S= , onde: I = número de níveis de Espç; F5% (g.l. de B; g.l. resíduo).

J = 4 e F5%(3; 24) = 3,01

S= S = 4,69

Rejeita-se HO, ou seja, em média, o nível Espç4 difere e supera os níveis Espç1,
Espç2 e Espç3. Assim, dividindo-se 28,99 por 3 = 9,66 t/ha, em média seria o ganho ao se
cultivar toda a área de tomates no Espaçamento 4.
 Aplicar o teste “t” ao contraste: C = 3mEspç4 -mEspç1-mEspç2-mEspç3
 Aplicar o teste Duncan aos níveis dos fatores Vars e Espaçs.

7.6. Um Exemplo Com Interação Significativa:

Em um experimento fatorial 3 x 4 no delineamento em blocos casualizado (DBC),
com 3 repetições, portanto I’ = 3x4 = 12 e n = I’. r = 12x3 = 36 parcelas:
QUADRO AUXILIAR
B=4
A=3 B1 B2 B3 B4 Totais(TAi)
A1 69,40 74,50 78,40 82,60 304,90
A2 74,50 79,40 84,80 71,50 310,20
A3 64,50 63,50 65,20 62,80 256,00
Totais(TBj) 208,40 217,40 228,40 216,90 G = 871,10

Dados: SQResíduo = 24,6400;

2.1. Proceder a ANOVA para  = 1 % e 5%, concluir e interpretar;
2.2. Caso necessário, aplicar o teste de Tukey para  = 5%, concluir e interpretar.
2.3. Testar o contraste C = 3mB4/A1 - mB1/A1 - mB2/A1 - mB3/A1 pelo teste “t”, ao nível de
5% de probabilidade.

ANOVA:

45
SQ (A x B) = 215,5364 – 148,8039 – 22,4097 = 44,3228

Quadro da ANOVA (Fat. 3x4, I’ = 12, DBC, r = 3, n = 36

F.V. GL SQ QM F
A 2 148,8039 74,4019** 66,43
B 3 22,4097 7,4699** 6,67
AxB 6 44,3228 7,3871** 6,59
Trats(A;B) (11) (215,5364)
Blocos 2
Resíduo 22 24,6400 (1,1200)
Total 35
** Significativo ao nível de 1% de probabilidade, pelo teste F. F1%A(2;22)=5,72. F1%B(3;22)=4,82.
F1%AxB(6;22)=3,76

 Conclusões:
a) Houve pelo menos um contraste entre médias dos níveis do fator A,
estatisticamente diferente de zero, ao nível de 1% de probabilidade, pelo teste F.
Ou seja, houve diferença significativa entre os níveis do fator A, a 1% pelo teste F.
b) Houve pelo menos um contraste entre médias dos níveis do fator B,
estatisticamente diferente de zero, ao nível de 1% de probabilidade, pelo teste F.
Ou seja, houve diferença significativa entre os níveis do fator B, a 1% pelo teste F.
c) Houve interação entre os fatores A e B ao nível de 1% de probabilidade, pelo teste
F. Isto significa que o comportamento de um fator depende dos níveis do outro
fator, evidenciando uma dependência entre os fatores. Neste caso, não estudamos
os fatores isoladamente, mas modificamos a análise anterior desdobrando a
interação, avaliando o comportamento de um fator em cada nível do outro fator.

 Estudo do fator A dentro dos níveis do fator B.

46
Obs.: SQ(A/B) = SQ(A/B1) + SQ(A/B2) + SQ(A/B3) + SQ(A/B4) = … = SQ(A) +
SQ(AxB)

ANOVA Complementar!! Estamos fazendo o desdobramento de A dentro de B (A/B)

F.V. GL SQ QM F
Fator: B 3 22,4097
Fator: A/B1 2 16,6689 8,3344** 7,44
A/B2 2 44,2022 22,1011** 19,73
A/B3 2 66,5955 33,2977** 29,73
A/B4 2 65,6600 32,8300** 29,31
Trats(A;B) (11) (215,5364)
Blocos 2
Resíduo 22 24,6400 (1,1200)
Total 35
F1% (2; 22) = 5,72 ** Significativo ao nível de 1% de probabilidade.

Conclusão: Dentro de todos os nívelis de B, existe pelo menos um contraste entre médias
dos níveis de A, estatisticamente diferente de zero, ao nível de 1% de probabilidade, eplo
teste F. Nesse caso, aplica-se um teste de comparação múltipla para o fator A em cada
nível do fator B, uma vez que em todos houve significância.

47
 Teste de Tukey

q5ao (3; 22) = 3,58;  =  = 2,19 unidade??

Obs.: o r é o mesmo usado para obter as médias.

a a
ab a
b b

a a
a b
b c
Conclusão: Dentro de um mesmo nível de B, as médias dos níveis de A seguidas de pelo
menos uma mesma letra, não diferem entre si, ao nível de 5% de probabilidade, pelo teste
Tukey.....Interprete e recomende!!!!

 Estudo do fator B dentro dos níveis de A

 Procedendo de maneira análoga, temos:

SQ (B/A2) = 33,9633
SQ (B/A3) = 1,1267

Anova Suplementar
F.V. GL SQ QM F
Fator A 2 148,8039
Fator B/A1 3 31,6425 10,5475** 9,42
B/A2 3 33,9633 11,3211** 10,11
B/A3 3 1,1267 0,3756 n.s a 5% 0,33
Trats(A;B) (11) (215,5364)
Blocos 2
Resíduo 22 24,64 (1,12)
total 35
F1% (3;22) = 4,82 ** Significativo ao nível de 1% de probabilidade. F5% (3;22) = 3,05
ns – não significativo ao nível de 5% de probabilidade.

48
Conclusões:
a) Dentro dos níveis A1 e A2, existe pelo menos um contraste entre médias dos níveis B,
estatisticamente diferente de zero, ao nível de 1% de probabilidade.
b) Todos os contrastes entre médias dos níveis de B dentro de A3, são estatisticamente
nulos, ao nível de 5% de probabilidade.
Observação:
SQ(B/A) = SQ(B/A1) + SQ(B/A2) + SQ(B/A3) = SQ(B) + SQ(AxB)

 Teste de Tukey
Para comparar as médias dos níveis de B dentro de A1 e A2 (onde houve efeito
significativo), procede-se de maneira análoga ao desdobramento anterior, onde a
expressão para o teste Tukey será:

 = 2,42unidade??

mB4/A1 = 27,53 a mB3/A2 = 28,27 a

mB3/A1 = 26,13 ab mB2/A2 = 26,47 a b
mB2/A1 = 24,83 bc mB1/A2 = 24,83 b c
mB1/A1 = 23,13 c mB4/A2 = 23,83 c

mB3/A3 = 21,73
mB1/A3 = 21,50
mB2/A3 = 21,17
mB4/A3 = 20,93

 Testar o contraste:
C = mB1/A1 + mB2/A1 + mB3/A1 – 3mB4/A1
HO : C = 0
H1 : C  0

t5%(g.l.res.) => t5% (22) = 2,07; |tcalc| > t5% (22): Rejeita-se Ho (...)
 Aplicar o teste de Scheffé ao contraste anterior.
 Aplicar o teste Duncan às médias anteriores dos desdobramentos.

49
7.7. Um exemplo com três fatores:
Num experimento, sob o esquema fatorial 23 ou 2 x 2 x 2, com adubação à base de
N-P-K em cana-de-açúcar, seguindo o delineamento em blocos casualizados, com 4
repetições, as produções em t/ha, foram:
BLOCOS
Tratamentos Totais
I II III IV
000 controle 63,9 43,1 58,9 57,2 223,1
100 N 32,5 50,3 50,3 68,4 201,5
010 P 64,9 61,1 58,2 71,2 255,4
001 K 46,5 40,1 56,0 51,8 194,4
110 NP 59,7 73,2 73,7 82,7 289,3
101 NK 45,2 58,4 53,7 76,0 233,3
011 PK 73,6 45,3 88,8 62,7 270,4
111 NPK 70,8 68,5 78,7 84,9 302,9
Totais 457,1 440,0 518,3 554,9 1.970,3

As doses de nutrientes usadas foram:

N : 0 e 60 kg/ha de N
P : 0 e 75 kg/ha de P2O5
K : 0 e 75 kg/ha de K2O
 Proceder a análise de Variância:

SQtotal = 63,92 + 32,52 + ... + 84,92 – C = 5.852,17

SQBlocos =

SQT =

 Para se proceder ao desdobramento da SQT segundo o esquema fatorial, organizamos

os quadros auxiliares que se seguem:
Po P1 Totais
No 417,5 525,8 943,3
N1 434,8 592,2 1.027,0
totais 852,3 1.118,0 1.970,3

50
 Ko K1 Totais
No 478,5 464,8 943,3
N1 490,8 536,2 1.027,0
totais 969,3 1.001,0 1.970,3

Ko K1 Totais
Po 424,6 427,7 852,3
P1 544,7 573,3 1.118,0
totais 969,3 1.001,0 1.970,3

SQ(N x P) = SQ(N, P) – SQ(N) – SQ(P)

SQ(N x P) = 73,34

SQ(N, K) = – C = 359,48

SQ(N x K) = SQ(N, K) – SQ(N) – SQ(K)

SQ(N x K) = 109,15

SQ(P, K) = – C = 2.257,86

SQ(N x K) = SQ(P, K) – SQ(P) – SQ(K)

SQ(P x K) = 20,32
SQ(N x P x K) = SQT(N, P, K) – SQ(N) – SQ(P) – SQ(K) – SQ(N x P)
SQ(N x K) – SQ(P x K)
SQ(N x P x K) = 119,74

51
 Quadro da Análise de Variância:
F.V GL SQ QM F
N 1 218,93 218,93 2,30
P 1 2.206,14 2.206,14 23,16**
K 1 31,40 31,40 0,33
NxP 1 75,34 75,34 0,79
NxK 1 109,15 109,15 1,15
PxK 1 20,32 20,32 0,21
NxPxK 1 119,74 119,74 1,26
(Tratamentos) (7) (2.781,02)
Blocos 3 1.071,10
Resíduo 21 2.000,05 95,24
total (31) 5.852,17
** significativo ao nível de 1% de probabilidade.

7.8. Exercício Proposto

1) Em um experimento fatorial com dois fatores A e B, com 4 e 3 níveis respectivamente,
constituindo 12 tratamentos, dispostos no delineamento inteiramente casualizado, com
3 repetições, os dados constam do quadro abaixo (kg leite/cabras):
FATOR A – raças de cabras de leite
FATOR B
1 2 3 4 Totais
rações
1 12 14 16 15 17 18 20 21 23 23 24 26 229,0
2 18 17 20 22 23 23 25 26 28 29 30 32 293,0
3 22 21 20 30 31 32 29 32 32 34 35 37 355,0
totais 160,0 211,0 236,0 270,0 877,0

 Adotando  = 1 % e 5%, pedem-se (a mão e em Excel):

1.1. Proceder a análise de Variância;
1.2. Aplicar os testes de Tukey e Duncan de acordo com o resultado da análise de
Variância, a 5%;
1.3. Concluir e interpretar em todos os casos.

52
 2) Em um experimento fatorial, no delineamento inteiramente casualizado, em que
foram combinadas duas doses de N e duas doses de fósforo, com 5 repetições
por tratamento, são dados:
Quadro de Dados:
Po P1
10,50 11,00 11,20 11,20
No 9,80 11,20 10,40 13,10
9,90 10,60
11,50 12,40 14,00 14,10
N1 10,20 12,70 18,80 13,50
10,40 14,20

Proceder a análise de variância e concluir para  = 5%.

53
 CAPÍTULO VIII

Experimentos em Parcelas Subdivididas - um tipo especial de Fatorial

8.1. Introdução
Os experimentos em parcelas subdivididas (Split-Plot) se caracterizam pela sua
estruturação através de tratamentos principais ou primários nas Parcelas, e estas, por sua
vez, são constituídas de tratamentos secundários, que são as Subparcelas.

 Podemos distinguir dois tipos de conformidade com a estruturação das

subparcelas, ou seja:

8.2. Parcelas Subdivididas no Espaço:

Quando em cada parcela há uma subdivisão de sua área em sub-áreas,

constituindo cada uma delas uma subparcela. Assim, podemos ter, por exemplo, nas
parcelas, Variedades, e a sua área poderá se subdividir em sub-áreas, cada uma delas com
um Espaçamento diferente, constituindo as subparcelas. Num outro exemplo, poderíamos
ter nas parcelas fórmulas de adubação e, nas subparcelas, variedades.

8.3. Parcelas Subdivididas no Tempo:

A parcela não se subdivide em sub-áreas, mas, periodicamente, são tomados

dados em cada uma delas, constituindo estas tomadas as subparcelas. Assim, poderíamos
ter, por exemplo, nas parcelas diferentes “amadurecedores”, e a cada quinzena retirar uma
amostra para determinações tecnológicas. Estas amostras (épocas) constituem as
subparcelas.
Consideram-se e analisam-se como experimentos em parcelas subdivididas
aqueles que se realizam nas mesmas parcelas e com os mesmos tratamentos em dois ou
mais anos sucessivos.
É recomendável que se instale nas subparcelas o fator de maior intersse, ou seja,
aquele no qual se deseja um estudo mais preciso, pois nesta tem-se um maior número de
graus de liberdade associado ao resíduo.
As parcelas poderão estar dispostas em qualquer tipo de delineamento. Os mais
usuais são DIC e DBC.
Nos experimentos em parcelas subdivididas temos dois resíduos distintos: O
Resíduo (a) referente às parcelas e o Resíduo (b), correspondente às subparcelas dentro
das parcelas.
 Seja um experimento em parcelas subdivididas, com I variedades aplicadas
às parcelas, dispostas no delineamento em blocos casualizados, com J repetições, e k
espaçamentos aplicados às subparcelas. O esquema da análise de variância será:

54
ANOVA de um Exp. em Parc. Subdiv, no DBC:
F.V. GL Em parcelas subdivididas:
Variedades (Var) I–1
I: Variedades;
Blocos J–1
J: Repetições;
Resíduo (a) (I-1) . (J-1) K: Espaçamentos.
Total Parcelas (I . J) -1
Espaçamento (Espç) K–1
Interação Var x Espç (I-1) . (K-1)
Resíduo (b) I . (J-1) . (K-1)
Total Subparcelas (I . J . K) – 1

8.4. Modelo Estatístico:

Yi j k = m + ti + bj + tbi j + t’k + tt’i k + ei j k

i = 1, 2, ..., I; j = 1, 2, ..., J; k = 1, 2, …, k
Onde:
Yi j k = valor observado na ik-ésima subparcela no j-ésimo bloco;
m = média geral do experimento;
ti = efeito do i-ésimo nível do tratamento Var;
bj = efeito do j-ésimo bloco;
tbi j = efeito associado à ij-ésima observação ou efeito residual das parcelas;
t’k = efeito do k-ésimo nível do tratamento Espç;
tt’i k = efeito da interação do i-ésimo nível do tratamento Var com o k-ésimo nível do
tratamento Espç;
ei j k = efeito associado à ijk-ésima observação ou efeito residual das subparcelas.

8.5. Cálculo das Somas de Quadrado (SQ’s):

Var
V1 V2 ... VI
Blocos
1 E1 E2 ... Ek E1 E2 ... Ek ... ... ... ... E1 E2 ... Ek
2 E1 E2 ... Ek E1 E2 ... Ek ... ... ... ... E1 E2 ... Ek
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
J E1 E2 ... Ek E1 E2 ... Ek ... ... ... ... E1 E2 ... Ek

SQTotal = Yijk2 – C

55
 Para calcular as demais somas de quadrados, vamos organizar outros quadros auxiliares
a partir do quadro anterior:
Variedades
Blocos 1 2 ... I totais
1 Y11. Y21. ... YI1. Y.1. = B1
2 Y12. Y22. ... YI2. Y.2. = B2
... ... ... ... ... ...
J Y1j. Y2j. ... YIJ. Y.J. = BJ
totais Y1.. = V1 Y2.. = V2 ... YI.. = V1 Y... = G

SQ Resíduo (a) = SQ(VxB) =

Variedades
Espaçamento 1 2 ... I totais
1 Y1.1. Y2.1. ... YI.1. Y..1. = E1
2 Y1.2. Y2.2. ... YI.2. Y..2. = E2
... ... ... ... ... ...
K Y1.k. Y2.k. ... YI.k. Y..k. = Ek
Totais Y1.. = V1 Y2.. = V2 ... YI.. = V1 Y.. = G

SQResíduo (b) = SQtotal – SQParcelas – SQE – SQ(VxE)

56
8.6. Quadro da ANOVA:
F.V. GL SQ QM F
Var (V) I-1 SQV QMVar**
QMV/QMR (a)
Blocos J-1 SQBloc
Resíduo (a) (I-1) (J-1) SQRes (a) QMRes (a)
Total Parcelas (IJ-1) (SQ Parc)
Espaçam. (Espç) K-1 SQEspç QMEspç** QME/QMR (b)
VxE (I-1) (K-1) SQ V x E QM (V x E)* QM (V x E)/QMR (b)
Resíduo (b) I(J-1) (K-1) SQRes (b) QMRes (b)
Total (IJK)-1 SQtotalSubp

8.7. Comparações múltiplas (Teste de Tukey):

Podemos estabelecer quatro tipos distintos de contrastes entre médias:
1) Entre duas médias de tratamentos primários, nas parcelas [ex.: entre
Variedades (V)], assim, não houve interação significativa:

q =f [I; (I – 1) (J – 1)] ... q =f [I; GLRes(a)]

ou seja, q  [no de níveis do Fator V; GLRes(a)]

2) Entre duas médias de tratamentos secundários nas subparcelas [ex.:

Espaçamentos (K)], assim, não houve interação significativa:

q =f [K;I(J – 1) (K – 1)]

ou seja, q  [no de níveis do Fator K; GLRes (b)]

Obs.: Os itens 1 e 2 anteriores são recomendados quando não houver interação

significativa entre os fatores, pois quando estes interagem a metodologia correta seriam
os itens 3 e 4:

3) Entre duas médias de tratamentos secundários, num mesmo tratamento

primário [ex.: Espaçamento (K) dentro de Variedade (V), ou seja, subparcela dentro de
parcela], assim, houve interação significativa.

q =f [K; I(J – 1) (K – 1)]

ou seja, q  [no de níveis do Fator K; GLRes (b)]

57
 4) Entre duas médias de tratamentos primários num mesmo tratamento
secundário [ex.: Variedade (V) dentro de Espaçamento (K), ou seja, parcela dentro de
subparcela], assim, houve interação significativa.

Nesse caso,

Onde:

QMResCom =

Sendo k o número de níveis do Fator que está nas subparcelas (Fator B) e J o de repetição.

Porém, caso queira calcular o diretamente na fórmula de Tukey:

Agora, para acessar a Tabela Tukey, não utilizaremos nem os GLRes(a) e nem os
GLRes(b), mas uma combinação entre eles denominado de n’, onde:

q =f (I; n’)
I = variedades ou o número de níveis do fator nas parcelas e:

= aproximado para o inteiro.

onde: (I – 1) . (J – 1) é o GLRes(a) e I (J – 1) . (K – 1) é o GLRes(b).

58
 Exemplo Prático:
Os dados a seguir, referem-se ao oBrix de frutos de 5 Variedades de Mangueira
(parcelas I), colhidas de três pés por Variedade (repetições J). De cada pé foram
colhidos 4 frutos, um de cada ponto cardeal N S L O (subparcelas K).
Obs.: Este experimento pode ser considerado como em parcelas subdivididas: cada parcela
é uma variedade de mangueira e as subparcelas são as 4 faces de cada árvore,
correspondentes aos 4 pontos cardeais N S L O.

QUADRO DE DADOS
Var Norte Sul Leste Oeste Totais Total(var.)
18,0 17,1 17,6 17,6 70,3
1 17,5 18,8 18,1 17,2 71,6 210,7
17,8 16,9 17,6 16,5 68,8
16,3 15,9 16,5 18,3 67,0
2 16,6 14,3 16,3 17,5 64,7 191,8
15,0 14,0 15,9 15,2 60,1

3 16,0 16,2 17,9 16,1 66,2 196,0

59
 19,5 14,9 15,0 15,3 64,7
16,3 16,4 16,0 16,4 65,1
16,6 15,2 14,2 15,5 61,5
4 15,9 13,2 18,0 17,3 64,4 194,3
17,5 15,8 16,7 18,4 68,4
18,9 18,6 15,3 17,0 69,8
5 18,5 13,7 18,2 18,3 68,7 211,3
21,5 16,4 18,3 16,6 72,8
Totais 261,9 237,4 251,6 253,2 1.004,1 G=1.004,1

SQParc(V, Repets.) =

SQR(a)=(VxReps.) = SQParc – SQV = 15,71

SQP card =

SQtotal = 18,02 +17,52 + … + 16,62 – C = 137,58

 Para calcular a SQ da interação (V x Pcard.), vamos estruturar o quadro seguinte:

Pontos Cardeais
Variedades
N S L O
1 53,3 52,8 53,3 51,3
2 47,9 44,2 48,7 51,0
3 51,8 47,5 48,9 47,8
4 50,0 44,2 48,9 51,2
5 58,9 48,7 51,8 51,9
TN TS TL TO

SQ(V x P.card) = SQ(V, P.card) – SQV – SQP.card = 20,12

SQRes(b) = SQtotal – SQParc. – SQ(P. card) – SQ(V x P. card)
SQRes(b) = 51,60

 Quadro da ANOVA Parc. Subdiv. 5x4, DIC, r = 3, Parc = 15 e Subparc = 60

60
 F.V. GL SQ QM F
Variedades (V) 4 29,55 7,39* Fc=4,71
Resíduo (a) GLRes(a)=10 15,71 QMRes (a)=(1,57) F5%(4;10) = 3,48
Parcelas (14) (45,26)
Fc = 3,99
P.Card. (P) 3 20,60 6,87*
F5%(3;30)=2,92
VxP 12 20,12 1,68ns
Fc=0,97
Resíduo (b) GLRes(b)=30 51,60 QMRes(b)=(1,72)
F5%(12;30)=2,09
Total 59 137,58
* significativo a 5% de probabilidade. ns – não significante a 5% de probabilidade.

Conclusões:
a) Existe pelo menos um contraste entre médias de variedades, estatisticamente diferente
de zero, ao nível de 5% de probabilidade. Ou, houve diferença significativa entre as
variedades de manga, a 5% pelo teste F.
b) Existe pelo menos um contraste entre médias dos pontos cardeais, estatisticamente
diferente de zero, ao nível de 5% de probabilidade. Ou, houve diferença significativa
entre os pontos cardeais, a 5% pelo teste F.
c) Não houve interação entre os fatores variedades e pontos cardeais. Isto significa que o
comportamento de um fator não é influenciado pelos níveis do outro fator, sendo
portanto, independentes. Neste caso, os fatores podem ser estudados isoladamente
(itens 1 e 2 do item 9.7). Ou, o comportamento dos frutos, em termos de oBrix, no que
diz respeito às variedades e pontos cardeais, não são dependentes. Um fator não
depende dos níveis do outro.
 Aplicando o teste de Tukey para os fatores Variedades e Pontos Cardeais,
isoladamente, temos:
Variedades: mvi = Tvi/12

a q5ao(5; 10) = 4,65

a

a oBrix

a
a

Pontos cardeais: mPcard = Tpcard/15

Norte 17,46 a q5ao(4; 30) = 3,85
Oeste 16,88 a b

Leste 16,77 a b oBrix

61
 Sul 15,83 b

Conclusões: as médias seguidas de pelo menos uma mesma letra não diferem entre si, ao
nível de 5% de probabilidade, pelo teste de Tukey.

62
 CAPÍTULO IX

Análise de Correlação e de Regressão Lineares Simples e Múltipla

9.1. Análise de Correlação

9.1.1. Correlação Simples de Pearson

Na análise de correlação que veremos aqui, procura-se determinar o grau de

relacionamento entre duas variáveis aleatórias quantitativas contínuas (v.a.q.c), ou seja,
procura medir a covariabilidade entre elas.
Na análise de regressão é necessário distinguir a variável dependente(Y) e a
variável independente(X); na análise de correlação, tal distinção não é necessária.
Três possibilidades de correlação simples serão apresentadas: na primeira figura
temos um caso em que há correlação positiva entre as variáveis, na segunda negativa, e na
terceira e última figura um caso de ausência de correlação.

Se X e Y estão positivamente correlacionados, isto é, X e Y tendem a variar no

mesmo sentido, então a maioria dos pontos (Vi, Zi) estará no 1o e no 3o quadrantes, como
ocorre na primeira figura. Uma vez que, para pontos localizados nesses quadrantes, o
produto Vi. Zi é positivo, o valor de ViZi será, neste caso, positivo e relativamente alto. É
quando dizemos que existe alta correlação.
Se X e Y estão negativamente correlacionados, isto é, tendem a variar em sentidos
opostos, então a maioria dos pontos (Vi, Zi) estará no 2o e no 4o quadrantes, como ocorre na
Segunda figura. Uma vez que, para pontos localizados nesses quadrantes, o produto Vi. Zi
é negativo, o valor ViZi será, neste caso, negativo e de valor absoluto relativamente alto,
configurando um outro caso em que existe alta correlação, desta vez negativa.
Se não existe correlação, os pontos (Vi, Zi) estarão distribuídos pelos quatro
quadrantes, como ocorre na terceira figura. Então ViZi será igual a zero ou terá valor
absoluto pequeno.
Portanto, o valor vizi pode ser utilizado como medida de correlação. Entretanto,
em termos absolutos, esse valor tende a crescer com o número de observações.
Em sendo: vi = Xi / SQDx e zi = Yi / SQDy
Então, o Coeficiente de Correlação Simples de Pearson r será definido por:

63
 r=

-1  r  +1 então, -100%  r  +100%

É importante assinalar que um coeficiente de correlação igual ou próximo de zero

não implica necessariamente em ausência de relação entre as variáveis. Um coeficiente de
correlação nulo implica somente ausência de relação linear entre as duas variáveis. Pode
haver nesse caso uma relação parabólica entre as mesmas.

Relação parabólica entre X e Y, onde r = 0.

Exemplo prático:
Dados os pares de valores (X;Y) abaixo, encontrar o coefic. de correlação:
X 1 2 3 4 5
Y 1 2 4 5 8

r= x100 = r em %

r = {77 – (15 . 20 / 5)} / {[55 – (15 . 15/5)] . [110 – (20 . 20/5)]} = 17 /  300 = 0,9815
O grau de correlação entre as variáveis X e Y é da ordem de 98,15%.
Entretanto, há necessidade de se testar esse coeficiente aplicando-se o teste “t”.

 Teste “t” para significância de r:

Podemos usar o teste “t” para testar a significância de r. Este caso, só é útil para
testar a hipótese nula (Ho:  = 0), na qual o coeficiente de correlação da população é zero
( = 0). E (H1:  ≠ 0),
O valor da estatística do teste t é calculado pela seguinte expressão:

64
 tcalc = ; com grau de liberdade GL = n – 2 para o valor tabelado.

Assim ( = rô), a hipótese estatística seria:

Ho :  = 0, ou seja, não houve correlação significativa entre as variáveis.
H1 :   0, ou seja, houve correlação significativa entre as variávies.
Testando o r do exemplo anterior, temos:

t= = >>> tc = 8,88; para t5%(n-2 = 5 – 2 ) = t5%(3)= 3,18.

Portanto, |tcal| > |ttab|, rejeita-se Ho, o coeficiente de correlação r foi significativamente
diferente de zero. Implica dizer que estas características estão correlacionadas
positivamente, ou seja, aumentos em uma variável são seguidos de aumentos na outra.

Exercício Proposto

Verifique o grau de relacionamento entre as variáveis abaixo, teste, conclua e interprete para 5%:
Tempo após a queima da cana de açúcar e teor de açúcar:

Açúcar oBrix 9,6 16,8 10,4 8,5 16,7 17,3 13,6

Tempo (dias) 7 4 6 7 4 4 5

ANÁLISE DE REGRESSÃO

9.2. Introdução

O método da análise de regressão pode ser usado quando existe uma relação
funcional entre duas variáveis (regressão linear simples) ou entre uma variável (chamada
dependente) e duas ou mais variáveis independentes (regressão linear múltipla).
A posição dos pontos experimentais em um diagrama de dispersão pode sugerir a
forma da relação funcional entre as variáveis, facilitando a escolha do modelo estatístico a
ser usado. Ex.

65
 Pode-se observar, neste caso, que X explica grande parte da variação em Y. A
parte da variação de Y não explicada é atribuída ao acaso e constitui a variação residual.

ANÁLISE DE REGRESSÃO

9.2.1. Regressão Linear Simples

Diferentemente dos estudos que fizemos até o momento, que envolvia somente
uma variável, partiremos agora para o estudo de duas variáveis. Esse estudo poderá ser
feito através da regressão e correlação. A regressão consiste na estimação de uma variável
dependente a partir de uma variável independente. Por outro lado, a correlação determina o
grau de relação entre as variáveis, ou seja, procura determinar quão bem uma equação
linear, ou de outra espécie, descreve ou explica a relação entre as variáveis (PAULO
VANDERLEI, 1996).
O estudo de regressão exerce papel relevante dentro do campo da Estatística
Experimental, devido a sua larga aplicação na interpretação de resultados experimentais, e
tem por objetivo determinar a relação existente entre uma característica qualquer de
interesse experimental, dependente, e uma outra característica independente, tomadas
juntas, ambas quantitativas. A variável independente é escolhida pelo pesquisador. A
relação funcional entre as variáveis é dada por uma função matemática (equação de
regressão), onde se diz que a variável dependente (Y) é uma função da variável
independente (X).
Seja o modelo de regressão linear simples Y = o + 1X + e; admitindo E (e) = 0,
o problema se resume no cálculo das estimativas dos parâmetros o e 1, estabelecendo
assim, a equação de regressão:
Com as estimativas o+ 1 compõe-se a equação de regressão:

66
9.3. Estimação dos parâmetros da equação de regressão:
Sejam n pares de valores (Xi, Yi), i = 1, 2, ... n
Xi X1 X2 X3 ... Xn
Yi Y1 Y2 Y3 ... Yn

Seja Yi = o + 1Xi + ei
Fazendo i = 1, 2, ... n, temos:
Y1 = o + 1X1 + e1
Y2 = o + 1X2 + e2

Yn = o + 1Xn + en
Isolando ei:
ei = Yi – (o + 1Xi) ei = 0, então;
(ei)2 = (Yi-o - 1Xi)2
Aplicando e fazendo Z = (ei)2, temos:

Z=

Os valores de que minimizam Z são os que satisfazem às seguintes

derivadas parciais;

 O sistema de equações acima é denominado sistema de equações normais. É um

sistema de duas equações e duas incógnitas. A solução deste sistema fornece as
estimativas de 0 e 1, obtendo-se assim a equação de regressão.
Seja o sistema de equações normais:

67
 Isolando da equação 1 temos:

equação.3

 Substituindo 3 em 2:

9.4. Análise de Variância da Regressão:

 Quadro de Análise de Variância da Regressão (I = 5 e r = 4, núm de médias = 5)

F.V. GL SQ QM F
Regressão (B1) 1 SQRegr. QMRegr. QMRegr.
Indep. Regr. n-2 SQInd. Regr. QMInd. Regr. QM ind. Regr.
Total n-1 SQTotal

Ho: B1 = 0
H1: B1 ≠ 0

Conclusões:
 Se Fcalc  F (1; n-2) G.L., rejeita-se Ho; conclui-se que a equação de regressão
explica significativamente a variável dependente Y, ao nível de significância .
Significa que os pontos estimados pela equação de regressão, bem como quaisquer dos
pontos dentro do intervalo estudado diferem entre si, estatisticamente, pelo teste F.
 Se F calc < F (1; n-2) g.l. conclui-se que a equação de regressão não explica
significativamente a variável dependente Y ou nível de significância . O gráfico da
equação neste caso, seria ilustrado apenas por uma reta paralela ao eixo dos X, e os
pontos neste caso não diferem estatisticamente entre si, pelo teste F.

68
 Coeficiente de Determinação (r2)

 O coeficiente de determinação r2 representa a percentagem da variação em Y (variável

dependente) que está sendo explicada pela equação de regressão.
 O r2 é calculado pela expressão:

r2 = 0  100%

Obs.: No caso de regressão linear simples, o r2 poderá ser calculado através do

quadrado do Coeficiente de Correlação Simples de Pearson (r).

 Para proceder a análise de variância, vamos calcular a soma de quadrados do resíduo

ou independente da regressão:

SQRes.Regress = SQind Regress =

SQR =

Onde C =

SQTotal =

SQRegressão =

SQIndep. de Regres. = SQtotal – SQRegressão

 Exemplo:
Considerando os pares de valores (X;Y) dados abaixo, obter a equação de
regressão e a análise de variância da regressão, para o modelo:
Y =  0 +  1X + e
X – Indep. 2,2 2,4 2,6 2,8 3,0
Y – Depend. 5,0 5,4 5,7 6,2 6,9

= 2,2 + 2,4 + ... + 3,0 = 13,00

= (2,2)2 + (2,4)2 + ... + (3,0)2 = 34,20

69
 = 5,0 + 5,4 + ... + 6,9 = 29,20

= (5,0)2 + (5,4)2 + ... + (6,9)2 = 172,70

= {(2,2).(5,0) + ... + (3,0).(6,9) = 76,84

 Utilizando-se o sistema de equações normais, temos:

 Resolvendo-se o sistema, que tem duas equações e duas incógnitas:

Equação de Regressão:

Análise de Variância:

SQInd.Regr. = 2,1720 – 2,1160 = 0,0560

Quadro de análise de variância:
F.V. GL SQ QM F
Regressão 1 2,1160 2,1160** 113,76
Ind. Regr. 3 0,0560 0,0186
Total 4 2,1720
F1% (1; 3) = 34,1
Fc > Ftab, ** Significativo a 1% de probabilidade.

Conclusão:
A equação de regressão explica significativamente a variável dependente Y, ao
nível de 1% de probabilidade, pelo teste F.

70
r2 =

 Ou seja, 97,42% da variação em Y está sendo explicada pela equação de regressão.

Gráfico

X = 2,2

X=3

Obs.: Pode-se atribuir um valor para X e encontrar um Y através da equação de

regressão, desde que o valor atribuído esteja dentro do intervalo estudado na
experimentação. Fora do intervalo da variável independente seria extrapolar resultados, o
que seria um tanto quanto perigoso, com riscos de atribuir-se exageros, principalmente se
nos falta embasamento teórico na extrapolação. Assim, se aumento os valores em X
ocorreu aumento dos valores em Y. Pode-se observar, neste caso, que X explica grande
parte da variação em Y. A parte da variação de Y não explicada é atribuída ao acaso e
constitui a variação residual.
 Exemplo:
Considerando os pares de valores (X, Y) dados abaixo, obter a equação de
regressão e a análise de variância da regressão, para o modelo:
Y = 0 + 1X + e (adotar  = 5%)
X 2,2 2,4 2,6 2,8 3,0
Y 5,0 5,4 5,7 6,2 6,9

= 2,2 + 2,4 + ... + 3,0 = 13,00

= (2,2)2 + (2,4)2 + ... + (3,0)2 = 34,20

= 5,0 + 5,4 + ... + 6,9 = 29,20

= (5,0)2 + (5,4)2 + ... + (6,9)2 = 172,70

= {(2,2).(5,0) + ... + (3,0).(6,9) = 76,84

 Utilizando-se o sistema de equações normais, temos:

71
 

 Resolvendo-se o sistema, que tem duas equações e duas incógnitas:

Equação de Regressão:

Gráfico da equação:
para:
x=1 = 5,01
x=5 = 9,00
Y’ = 4,8573 – 2(0,6431)X = 4,8573 – 1,2862X
Y’ = 0  4,8573 – 1,2862X = 0  1,2862X = 4,8573
X = 3,78
 Exercício proposto: considerando os pares de valores (X;Y) dados abaixo, determinar
a equação de regressão para o modelo linear e estabelecer a análise de variância da
regressão para  = 5%, bem como o gráfico e o r2. Onde X são doses crescentes de
calcário e Y as produtividades médias de mandioca (ambos em t/ha).
X 0 1 2 3 4 5 6
Y 8,0 9,5 11,5 12,5 13,0 14,7 15,5

REGRESSÃO LINEAR MÚLTIPLA

Método Matricial

Obter a equação de regressão e a análise de variância da regressão para o modelo

Y = aX2 + bX + c
Y = o + 1X + 2X2 + e adotando  = 5%, dados:

X – Calcário (t/ha) 1,0 2,0 3,0 4,0 5,0

Y – Milho (t/ha) - médias 5,0 8,0 9,5 10,0 9,0

A igualdade = S–1.X’Y resultará nas três estimativas dos parâmetros ( ), onde:

72
S-1 = , chamada de matriz inversa de S, onde S = X’X

INVERSÃO DE MATRIZ: dado um experimento com r = 5.

Y= ;X= 5x3; X’ = 3x5

S = X’X = . , Cálculo do determinante de S (det.S

ou |S|) = Diagonal principal (\) – Diagonal Secundária (/)

|S| = (269.225 + 185.625 + 185.625) – (220.275 + 253.125 + 166.375)
det.S = |S| = 700 Invertendo a matriz S, temos:

S–1 = , onde, cofator Sij = (–1)i+j.Dij

S11 = = ((55x979)-(225x225)) = 3.220

S12 = = - 2.310

S13 = = 350

S21 = = –2.310

S22 = = 1.870

S23 = = – 300

S31 = = 350

73
S32 = = –300

S33 = = 50 Assim:

Cof S = Fazendo a transposta de Cof.S:

Adj S = (Cof S)’ = ÷ cada valor por 700 encontramos S-1.

S–1 =

= S–1X’Y

Sendo: X’ Y X’Y

X’Y =

X’Y 0; 1 e2

S–1 = x =

E sendo = S–1X’Y =

74
 A equação de regressão encontrada será:

Y = aX2 + bX + c
Pmáx = b / 2*a = 3,77 t/ha.
X = 3,5 t de calcário por ha.
Para uma eventual dose de calcário de 3,5 t/ha, estimam-se uma produtividade de 9,92
t de milho por ha.

 Análise de Variância da Regressão:

onde C =

SQReg = ’X’Y – C = 360,1336 – 344,4500 = 15,68

= -

SQReg = 360,1336 – 344,4500 = 15,68

SQind. Regr. = SQtotal – SQRegress

SQIndep.Regr. = 15,80 – 15,68 = 0,12

SQIndep.Regr. = 0,12

 Quadro da ANOVA da Regressão:

FV GL SQ QM F
Regressão 2 15,68 7,84** 130,66
Ind. Regr. 2 0,12 0,06
Total 4 15,80
F1%(2;2) = 99,0

**significativo a 1% de probabilidade. Pelo menos um dos coeficientes fará parte do

modelo de regressão.

75
 r2 = SQRegress / SQTotal = 15,68 / 15,80 = 0,9924 x 100 = 99,24% da variação em Y
está sendo explicada pela equação de regressão. Dizemos que a equação de regressão
possui alta precisão experimental. A equação de segundo grau (quadrática) explica o
fenômeno estudado.

 Gráfico da equação:
para:
x=1 = 5,01 …
…. x = 5  = 9,00

Derivada para encontrar o Ponto de Máximo

Y’ = 4,8573 – 2(0,6431)X = 4,8573 – 1,2862X = 0

Y’ = 0  4,8573 – 1,2862X = 0  -1,2862X (veces -1) =- 4,8573 (vezes -1) =
1,2862X = 4,8573 X = 4,8573 / 1,2862 = X = 3,78 t/ha de calcário para atingir a
máxima produtividade do milho, nas condições desta pesquisa...
Ou Xmáx = B1 / (2xB2) = 4,8573 / (2x(0,6431)) = 3,78 t/ha
 [caso se tratasse de doses crescentes, esta seria dose para a produtividade máxima];
Assim: Y” = (4,8573 – 1,2862X)”
X = 3,78  = 9,97 Ponto max. (3,78; 9,97)

 Exercício proposto: Considerando os pares de valores (X;Y) dados abaixo, determinar

a equação de regressão para o modelo Y = o + 1X + 2X2 + e e estabelecer a análise
de variância da regressão para  = 5%.
X 0 1 2 3 4 5 6
Y 5,0 9,5 11,5 12,5 11,0 9,0 5,5

76
 Exemplo 2:
X1 1,2 1,5 1,8 2,1 2,4 2,7 3,0
X2 5,8 6,2 6,0 6,3 3,0 4,8 5,0
Y 10,8 9,6 9,0 8,2 7,0 5,8 4,8
Com os dados acima, obter a equação de regressão e a ANOVA da regressão,
adotando  = 5%, admitindo o modelo Y = 0 + 1X1 + 2X2 + e.
Solução:

X’ =

S = X’X =

X’Y =

Sendo: = S–1X’Y então:

 Equação de regressão:

77
 Análise de Variância:

SQtotal =

SQRegr = [14,989998 – 3,316521 – 0,031635] – 432,1429

SQRegr = 459,3810 – 432,1429 = 27,2381

SQind. Regr. = SQtotal – SQRegr = 0,0990
F.V. GL SQ QM F
Regressão 2 27,2381 13,6190 551,37*
Ind. Regr. 4 0,0990 0,0247
total 6
R2 =

Conclusão: 99,63% da variação em Y está sendo explicada pela equação de regressão.

78
APÊNDICE 1

LISTA DE EXERCÍCIO:
 Delineamento DIC; DBC e DQL:
Ex. 1. Dados os valores abaixo (em t/ha), relativos a um experimento hipotético de
competição de variedades de mandioca (V1; V2; V3; V4; V5; V6), no D.I.C., com 4
repetições, pede-se:
a) ANOVA ( = 5%);
b) Aplicar os testes de Tukey e Duncan às médias de tratamentos e concluir;
c) Aplicar os testes de Scheffé e “t” ao contraste: C = 3m2 – m1 – m3 – m4
Repetições
Tratamentos Totais
1 2 3 4
V1 6,9 6,8 7,8 7,1
V2 7,2 6,9 7,4 7,8
V3 9,8 8,8 8,7 9,5
V4 5,7 6,3 5,9 6,9
V5 10,5 9,8 10,3 10,7
V6 8,5 8,7 8,6 8,2

Ex. 2. Dados os valores abaixo (em kg aos 9 meses), relativos a um experimento

envolvendo 5 raças de suínos submetidas a um manejo padrão, no D.I.C., com número
diferente de repetições por tratamento (r1 = r3 = r4 = 5; r3 = r5 = 4):
a) ANOVA ( = 5%);
b) Aplicar os testes de Tukey e Duncan às médias de tratamentos e concluir;
c) Aplicar os testes de Scheffé e “t” ao contraste: C = 3m3 – m1 – m2 – m4
Repetições
Tratamentos Totais
1 2 3 4 5
R1 Local 56 58 55 54 56
R2 Duroc 68 67 71 69
R3 Landrace 95 98 89 91 93
R4 Large White 85 86 85 85 84
R5 Piau 66 63 68 64

Ex. 3. Considere os dados anteriores como oriundos de um experimento no D.B.C.,

com 4 repetições, refaça a análise e os testes e conclua.
Ex. 4. Que observações você faria ao comparar os dois delineamentos (DIC e DBC)?

79
Ex. 5. Seja um experimento envolvendo 4 rações, conduzido no D.Q.L. Faça a
ANOVA e repita os testes, se necessário, e Conclua.
C1 C2 C3 C4 Totais
L1 6,9 V4 6,8 V2 7,8 V3 7,1 V1
L2 7,2 V1 6,9 V3 7,4 V4 7,8 V2
L3 9,8 V3 8,8 V1 8,7 V2 9,5 V4
L4 5,7 V2 6,3 V4 5,9 V1 6,9 V3

Ex. 6. Em um experimento sobre rendimento de carcaças de 5 (cinco) raças de suínos,

no D.B.C., observaram-se os seguintes resultados:
Blocos
Raças Totais
I II III IV V VI
A 69,68 69,58 69,88 60,01 69,91 69,31 408,37
B 71,52 70,92 71,52 70,02 71,12 70,42 425,52
C 60,50 60,67 60,30 61,00 60,20 60,00 632,67
D 62,28 61,78 62,37 60,98 61,88 62,28 371,57
E 79,95 81,25 80,78 81,15 80,95 80,55 484,63
Totais 343,93 344,20 344,85 333,16 344,06 342,56
SQtotal = 1671,09
Para  = 5%, pedem-se:
a) Complete a análise de variância. Calcule o CV e comente o resultado.
b) Aplique o Teste de Duncan, se necessário, e concluir.

Ex. 7. Em um experimento com competição de variedades de sorgo forrageiro, no

D.I.C., com 4 tratamentos, observaram-se os seguintes resultados médios, em
ton.mf/Ha:

SQRes = 18,53

r1 = r2 = 5; r3 = r4 = 6
Pedem-se:
a) Complete a ANOVA ( = 5%). Calcule o C.V. (%) e comente o resultado.
b) Aplicar o teste de Tukey, se necessário.
Ex. 8. Dadas as médias de tratamentos abaixo, referentes a um D.I.C., com 5 (cinco)
métodos diferentes de preparo do solo, com 6 repetições, aplicar os testes Scheffé e “t”
ao contraste abaixo, a 5% de probabilidade:

Obs.: As médias são referentes à perda de solo por erosão, em ton/Ha.

80
 QMRes = 11,27;
Ex. 9. Dadas as médias de tratamentos abaixo, referentes a um D.I.C., com 5 (cinco)
substratos diferentes para mudas de Leucena, aplicar o teste de Duncan às médias.
Obs.: As médias são referentes a alturas de plantas, em cm, no final do ensaio.

QMRes = 0,34;

r1 = 43 = r4 = 4; r2 = r5 = 5;  = 5%
D5(4; 5) = 0,90 D3(4; 4) = 0,91 D2(4; 4) = 0,87
D4(4; 4) = 0,94 D3(5; 4) = 0,86
D4(5; 5) = 0,84 D2(4; 5) = 0,83
 Calcule o C.V.(%) e comente o resultado.

Ex. 10. Os dados abaixo se referem a um experimento com variedades de feijão, sob
o D.Q.L. Faça a ANOVA a 1% de significância e aplique o teste de Tukey, se
necessário.
C1 C2 C3 C4 Totais
L1 6,9 V1 6,8 V4 7,8 V2 7,1 V3 28,6
L2 7,2 V4 6,9 V3 7,4 V2 7,8 V1 29,3
L3 9,8 V3 8,8 V1 8,7 V4 9,5 V2 36,8
L4 5,7 V4 6,3 V2 5,9 V1 6,9 V3 24,8
Totais 29,6 28,8 29,8 31,3 119,50
; T4 = 28,4
 Calcule o C.V.(%) e comente o resultado.
Ex. 11. Diga os delineamentos adequados para cada uma das situações:
a) Pesquisa realizada em laboratório que visa comparar a velocidade de
germinação de cinco variedades de semente de soja.
b) Pesquisa feita em jarros, com ambiente homogeneizado, que visa descobrir qual
variedade de pimenta é mais produtiva. (OBS: foram utilizados 4 variedades de
pimenta).
c) Pesquisa feita em um campo que apresenta um declive e que visa descobrir
qual, entre cinco variedades de milho, é mais produtiva.
d) Testar o valor nutritivo de 5 tipos de ração para a engorda de suínos de 4 idades
diferentes.

Ex.12. Em um experimento no DIC, foram testadas 5 variedades de pimenta (A, B,

C, D, E) em jarros, sendo r igual a 4, as produções foram:
A B C D E
18,43 29,32 28,40 13,10 19,31

81
15,33 21,60 25,30 14,50 14,55
17,50 23,45 27,26 16,54 20,24
14,21 29,20 22,10 12,43 17,00
G
Com esses dados faça a ANOVA, calcule o CV, conclua e interprete, depois,
aplique o teste de Tukey a 5% caso necessário

Ex. 13. Em um experimento em DBC com 4 tratamentos e 3 repetições os

dados coletados foram:
A B C D
BL1 44,56 38,29 43,73 51,99
BL2 44,78 34,37 33,89 38,38
BL3 46,19 41,44 35,72 37,54
G
Com esses dados faça a ANOVA, calcule o CV, conclua e interprete, depois,
aplique o teste de Tukey a 5% caso necessário.

 Experimentos Fatoriais:
Ex. 1. De um experimento em D.I.C., com 3 repetições, no esquema Fatorial 4x3,
observaram-se:
A1 A2 A3 A4 Totais
B1 12 14 16 15 17 18 20 21 23 23 24 26 229
B2 18 17 20 22 23 23 25 26 28 29 30 32 293
B3 22 21 20 30 31 32 29 32 32 34 35 37 355
Totais 160 211 236 270 71
SQTotal = 1474,31; SQTrat = 1422,97;  = 5%
a) Completar a ANOVA, calcular o C.V.(%) e comentar.
b) Testar o contraste C = mB1/A1 + mB3/A1 – 2mB2/A1 pelo teste t e de Scheffé
c) Desdobrar a interação e estudar A / B e B / A, aplicando algum teste de
comparações múltiplas.

Ex. 2. Em um experimento sob o D.I.C., com 4 repetições, no esquema fatorial

envolvendo 3 variações de feijão e 3 sistemas de irrigação, observaram-se, em t/ha:
A1 A2 A3 Totais
B1 9,068 8,841 9,278
B2 9,932 9,960 9,779
B3 10,709 9,956 10,023
Totais
a) Fazer a ANOVA (5%) e calcular o C.V.(%) e comentar.
b) Aplicar o teste de Duncan, onde e se necessário.

82
Ex. 3. Em um experimento, no D.B.C., com 3 repetições, no esquema fatorial 4x2
observaram-se:
A1 A2 A3 A4 Totais
B1 20,5 26,2 31,0 36,5
B2 16,5 21,4 26,4 29,8
Totais
Totais de Blocos: Bloco 1 = 60,4; Bloco 2 = 74,6; Bloco 3 = 72,4
SQTotal = 159,98; SQRes = 42,24  = 5%
a) Aplicar o teste “t” ao contraste: C = mA1 + 2mA2 + 3mA3 – 6mA4
b) Calcular o C.V.(%) e comentar.

Ex. 4. Em um experimento fatorial, foram combinados 4 níveis do fator A com 3

níveis do fator B, no delineamento B.C., com 5 repetições. São dados:
A1 A2 A3 A4 Totais
B1 20,5 24,2 28,8 31,9 105,4
B2 25,2 30,4 35,8 40,2 131,6
B3 30,8 36,4 39,6 43,2 150,0
Totais 76,5 91,0 104,2 115,3 387,0
SQTotal = 136,2917
Blocos 1 2 3 4 5
Totais 68,4 79,5 86,4 74,5 78,2
Proceder a análise de variância e concluir para  = 5%.

83
Ex. 5. Em um experimento fatorial, foram combinados 5 níveis do fator A com 3
níveis do fator B, no DIC, com 4 repetições. São dados:
A A1 A2 A3 A4 A5
Totais 10,80 12,60 15,24 18,48 19,80
SQRes – 10,80

Admitindo que os fatores A e B atuam independentemente, aplicar o teste de

Tukey aos níveis do fator A e concluir para  = 5%.

Ex. 6. Em um experimento fatorial, foram combinados 3 níveis do fator A com 2

níveis do fator B, no DIC, com 5 repetições. São dados:
A1 A2 A3 Totais
B1 42,8 45,9 44,8 133,5
B2 59,8 63,8 75,4 199,0
Totais 102,6 109,7 120,2 332,5
SQRes = 15,36

Testar o contraste C = mA1 + mA2 – 2mA3, dentro do nível B2, pelo teste “t”, e concluir
para  = 5%.

Ex. 7. Esboçar os quadros das análises de variâncias, segundo os seus respectivos

delineamentos:
a) Um fatorial 4x5x5, no DIC, com 4 repetições.
b) Um fatorial 5x2, no DBC, com 6 blocos ou porções homogêneas.
c) Um fatorial 3x3, no DQL.
d) Um experimento em parcelas subdivididas, com 5 níveis para o efeito de parcela e
3 níveis para a sub-parcela, no DBC, com 4 repetições.

 Experimentos em Parcelas Subdivididas:

1) Em um experimento em parcelas subdivididas foram estudadas 5 variedades de
mandioca (efeito primário) e 3 fontes de MO (efeito secudário), no DBC, com 4
repetições. Dados (em ton./ha):
TV1 TV2 TV3 TV4 TV5
115,2 124,62 117,24 120,48 120,16
TMO1 = 190,80; TMO2 = 218,40; TMO3 = 188,50
Admitindo que os fatores atuam independentemente, estude isoladamente as fontes de
MO e aplique o teste de Duncan se necessário, adotando  = 5%. SQErro(a) = 78,48 e
SQErro(b) = 68,80.
2) Diferencie experimento em parcela subdividida no tempo de experimento em parcela
subdivida no espaço.

84
 3)Utilizando os conhecimentos adquiridos em sala de aula sobre experimentos em
parcelas subdividas faça a ANOVA até os graus de liberdade:
a) Parc. Subdividida 4x3, DIC r=3
b) Parc. Subdividida 5x2, DBC r=4
c) Parc. Subdividida 4x2, DIC r=2
d) Parc. Subdividida 3x5, DBC r=3
e) Parc. Subdividida 4x3, DBC r=4

4) Um agrônomo irá pesquisar 4 variedades de alface com 3 tipos de espaçamento

(0,50 m; 0,45 m e 0,60 m), porém, ele dispõe de uma área muito pequena. Portanto, ele
decidiu aplicar um experimento em parcelas subdividas no DBC, com 4 repetições.
Esquematize como seria dividida a área experimental desta pesquisa e em seguida faça a
ANOVA até os graus de liberdade.

Regressão e Correlação:
1) Considerando os pares de valores (X; Y) abaixo, obter a equação de regressão ,
para o modelo Y = 0 + 1X . Calcular o R2 e concluir.
X 3 3,2 3,4 3,6 3,8 4,0
Y 8,5 8,9 9,2 9,7 10,4 11,3
Dados extraídos:
Xi = 21,00; Xi2 = 74,24; Yi = 58,00; Yi2 = 566,04; XiYi = 204,90

2) Obter a equação de regressão que expressa o comportamento entre as duas

variáveis quantitativas abaixo: MODELO => Y = 0 + 1X.
X = % de proteína na ração 5,5 6,5 7,5 8,5 9,5 10,5 11,5 12,5
Y = pesos de ovinos aos 12 meses 10 11 11 12 13 13 14 15

3) Utilizando os dados da questão anterior, calcule o coeficiente de correlação (r),

teste r para  = 5% de significância e calcule o coeficiente de determinação (r2).
Conclua.

4) Calcular o quanto da variação em Y está sendo explicada pela equação de

regressão, que mede o grau de ajuste do modelo de regressão, utilizando os dados
abaixo:
SPxy = -104,50; SQDx = 143,00; SQDy = 80,92

5) Verificar o grau de relacionamento (r) entre as duas variáveis aleatórias abaixo,

encontrar a equação de regressão e o r2:

85
 X = diâmetro raiz (mandioca)
7,2 7,6 8,4 8,7 8,8 9,5 12,3 13,2
cm
Y = teor de amido (g/100g) 33 32 35 38 41 41 43 44
Que tipo de variedades de mandioca você não recomendaria para cultivo?

6) Dados os valores abaixo, encontre a equação de regressão, r e r2 e conclua:

Dados: n = 5; 0 = -0,1400; Y = 29,20; = 2,60; Y2 = 172,70; SQDx = 0,40

86
 BIBLIOGRAFIA CONSULTADA

BANZATO, D.A. & KRONKA, S.N. Experimentação agrícola. FUNEP. Jaboticabal,

São Paulo, 1989, 247p.
COCHRAN, W.G. & GERTRUDE, M.C. Experimental designs. 2a edição, John Wiley,
N. York, 1967.
FERREIRA, P.V. Estatística experimental aplicada à Agronomia. 2a edição. Maceió,
Alagoas, 1996, 604p.
GOMES, F.P. Curso de estatística experimental. Nobel. Piracicaba, São Paulo, 1985,
466p.
HOFFMANN, R. & VIEIRA, S. Análise de regressão: uma introdução à econometria.
2a edição, Hucitec, São Paulo-SP, 1987, 379p.
VIEIRA, S. & HOFFMANN, R. Estatística experimental. Atlas, São Paulo-SP. 1989,
179p.
SILVA, I.P. & SILVA, J.A.A. Métodos estatísticos aplicados à pesquisa científica: uma
abordagem para profissionais da pesquisa agropecuária. Minist. da Educ. e do
Desporto/UFRPE. Recife-PE, 1999. 309p.

87
 TABELA 1 – Valores de F para o nível de significância de 1% segundo o número de graus de liberdade do numerador e do denominador
No de graus de Número de graus de liberdade do numerador
liberdade do
1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 
denominador
1 4052 5000 5403 5625 5764 5859 5928 5982 6022 6056 6106 6157 6209 6235 6261 6287 6313 6339 6366
2 98,5 99,0 99,2 99,2 99,3 99,3 99,4 99,4 99,4 99,4 99,4 99,4 99,4 99,5 99,5 99,5 99,5 99,5 99,5
3 34,1 30,8 29,5 28,7 28,2 27,9 27,7 27,5 27,3 27,2 27,1 26,9 26,7 26,6 26,5 26,4 26,3 26,2 26,1
4 21,2 18,0 16,7 16,0 15,5 15,2 15,0 14,8 14,7 14,5 14,4 14,2 14,0 13,9 13,8 13,7 13,7 13,6 13,5
5 16,3 13,3 12,1 11,4 11,0 10,7 10,5 10,3 10,2 10,1 9,89 9,72 9,55 9,47 9,38 9,29 9,20 9,11 9,02
6 13,7 10,9 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87 7,72 7,56 7,40 7,31 7,23 7,14 7,06 6,67 6,88
7 12,2 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72 6,62 6,47 6,31 6,16 6,07 5,99 5,91 5,82 5,74 5,65
8 11,3 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91 5,81 5,67 5,52 5,36 5,28 5,20 5,12 5,03 4,95 4,86
9 10,6 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35 5,26 5,11 4,96 4,81 4,73 4,65 4,57 4,48 4,40 4,31
10 10,0 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,94 4,85 4,71 4,56 4,41 4,33 4,25 4,17 4,08 4,00 3,91
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63 4,54 4,40 4,25 4,10 4,02 3,94 3,86 3,78 3,69 3,60
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,39 4,30 4,16 4,01 3,86 3,78 3,70 3,62 3,54 3,45 3,36
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19 4,10 3,96 3,82 3,66 3,59 3,51 3,43 3,34 3,25 3,17
14 8,86 6,51 5,56 5,04 4,69 4,46 4,28 4,14 4,03 3,94 3,80 3,66 3,51 3,43 3,35 3,27 3,18 3,09 3,00
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,67 3,52 3,37 3,29 3,21 3,13 3,05 2,96 2,87
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69 3,55 3,41 3,26 3,18 3,10 3,02 2,93 2,84 2,75
17 8,40 6,11 5,18 4,67 4,34 4,10 3,93 3,79 3,68 3,59 3,46 3,31 3,16 3,08 3,00 2,92 2,83 2,75 2,65
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60 3,51 3,37 3,23 3,08 3,00 2,92 2,84 2,75 2,66 2,57
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43 3,30 3,15 3,00 2,92 2,84 2,76 2,67 2,58 2,49
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46 3,37 3,23 3,09 2,94 2,86 2,78 2,69 2,61 2,52 2,42
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,40 3,31 3,17 3,03 2,88 2,80 2,72 2,64 2,55 2,46 2,36
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26 3,12 2,98 2,83 2,75 2,67 2,58 2,50 2,40 2,31
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,30 3,21 3,07 2,93 2,78 2,70 2,62 2,54 2,45 2,35 2,26
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26 3,17 3,03 2,89 2,74 2,66 2,58 2,49 2,40 2,31 2,21
25 7,77 5,57 4,68 4,18 3,85 3,63 3,46 3,32 3,22 3,13 2,99 2,85 2,70 2,62 2,54 2,45 2,36 2,26 2,17
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18 3,09 2,96 2,81 2,66 2,58 2,50 2,42 2,33 2,23 2,13
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 3,15 3,06 2,93 2,78 2,63 2,55 2,47 2,38 2,29 2,20 2,10
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 3,12 3,03 2,90 2,75 2,60 2,52 2,44 2,35 2,26 2,17 2,06
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,09 3,00 2,87 2,73 2,57 2,49 2,41 2,33 2,23 2,14 2,03
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07 2,98 2,84 2,70 2,55 2,47 2,39 2,30 2,21 2,11 2,01
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,89 2,80 2,66 2,52 2,37 2,29 2,20 2,11 2,02 1,92 1,80
60 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,72 2,63 2,50 2,35 2,20 2,12 2,03 1,94 1,84 1,73 1,60
120 6,85 4,79 3,95 3,48 3,17 2,96 2,79 2,66 2,56 2,47 2,34 2,19 2,03 1,95 1,86 1,76 1,66 1,53 1,38
 6,63 4,61 3,78 3,32 3,02 2,80 2,64 2,51 2,41 2,32 2,18 2,04 1,88 1,79 1,70 1,59 1,47 1,32 1,00
Interpolações devem ser feitas com base nos recíprocos dos graus de liberdade (interpolação harmônica).
Fonte: Scheffé, H. The analysis of variance. New York, Wiley, 1959.
110
 TABELA 2 – Valores de F para o nível de significância de 5% segundo o número de graus de liberdade do numerador e do denominador
No de graus de Número de graus de liberdade do numerador
liberdade do
1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 
denominador
1 131 200 216 225 230 234 237 239 241 242 244 246 248 249 250 251 252 253 254
2 18,5 19,0 19,2 19,2 19,3 19,3 19,4 19,4 19,4 19,4 19,4 19,4 19,4 19,5 19,5 19,5 19,5 19,5 19,5
3 10,1 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,74 8,70 8,66 8,64 8,62 8,59 8,57 8,55 8,53
4 7,71 6,94 6,59 6,39 6,26 6,16 6,06 6,04 6,00 5,96 5,91 5,86 5,80 5,77 5,75 5,72 5,69 5,66 5,63
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,68 4,62 4,56 4,53 4,50 4,46 4,43 4,40 4,36
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 4,00 3,94 3,87 3,84 3,81 3,77 3,74 3,70 3,67
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 3,57 3,51 3,44 3,41 3,37 3,34 3,30 3,27 3,23
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,28 3,22 3,15 3,12 3,08 3,04 3,01 2,97 2,93
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,07 3,01 2,94 2,90 2,86 2,83 2,79 2,75 2,71
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,91 2,85 2,77 2,74 2,70 2,66 2,62 2,58 2,54
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85 2,79 2,72 2,65 2,61 2,57 2,53 2,49 2,45 2,40
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75 2,69 2,62 2,54 2,51 2,47 2,43 2,38 2,34 2,30
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67 2,60 2,53 2,46 2,42 2,38 2,34 2,30 2,25 2,21
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60 2,53 2,46 2,39 2,35 2,31 2,27 2,22 2,18 2,13
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,40 2,40 2,33 2,29 2,25 2,20 2,16 2,11 2,07
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,42 2,35 2,28 2,24 2,19 2,15 2,11 2,06 2,01
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,38 2,31 2,23 2,19 2,15 2,10 2,06 2,01 1,96
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,34 2,27 2,19 2,15 2,11 2,06 2,02 1,97 1,92
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,31 2,23 2,16 2,11 2,07 2,03 1,98 1,93 1,88
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,28 2,20 2,12 2,08 2,04 1,99 1,95 1,90 1,84
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32 2,25 2,18 2,10 2,05 2,01 1,96 1,92 1,87 1,81
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,23 2,15 2,07 2,03 1,98 1,94 1,89 1,84 1,78
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32 2,27 2,20 2,13 2,05 2,01 1,96 1,91 1,86 1,81 1,76
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,18 2,11 2,03 1,98 1,94 1,89 1,84 1,79 1,73
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24 2,16 2,09 2,01 1,96 1,92 1,87 1,82 1,77 1,71
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,15 2,07 1,99 1,95 1,90 1,85 1,80 1,75 1,69
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,25 2,20 2,13 2,06 1,97 1,93 1,88 1,84 1,79 1,73 1,67
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19 2,12 2,04 1,96 1,91 1,87 1,82 1,77 1,71 1,65
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,22 2,18 2,10 2,03 1,94 1,90 1,85 1,81 1,75 1,70 1,64
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,09 2,01 1,93 1,89 1,84 1,79 1,74 1,68 1,62
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 2,00 1,92 1,84 1,79 1,74 1,69 1,64 1,58 1,51
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04 1,99 1,92 1,84 1,75 1,70 1,65 1,59 1,53 1,47 1,39
120 3,92 3,07 2,68 2,45 2,29 2,17 2,09 2,02 1,96 1,91 1,83 1,75 1,66 1,61 1,55 1,50 1,43 1,35 1,25
 3,84 3,00 2,60 2,37 2,21 2,10 2,01 1,94 1,88 1,83 1,75 1,67 1,57 1,52 1,46 1,39 1,32 1,22 1,00
Interpolações devem ser feitas com base nos recíprocos dos graus de liberdade (interpolação harmônica).
Fonte: Scheffé, H. The analysis of variance. New York, Wiley, 1959.
111
 TABELA 3 – Valores de F para o nível de significância de 10% segundo o número de graus de liberdade do numerador e do denominador
No de graus de Número de graus de liberdade do numerador
liberdade do
1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 
denominador
1 39,9 49,5 53,6 55,8 57,2 58,2 58,9 59,4 59,9 60,2 60,7 61,2 61,7 62,0 62,3 62,5 62,8 63,1 63,3
2 8,53 9,00 9,16 9,24 9,29 9,33 9,35 9,37 9,38 9,39 9,41 9,42 9,44 9,45 9,46 9,47 9,48 9,48 9,49
3 5,54 5,46 5,39 5,34 5,31 5,28 5,27 5,25 5,24 5,23 5,22 5,20 5,18 5,18 5,17 5,16 5,15 5,145 5,13
4 4,54 4,32 4,19 4,11 4,05 4,01 3,98 3,95 3,93 3,92 3,90 3,87 3,84 3,83 3,82 3,80 3,79 3,78 3,76
5 4,06 3,78 3,62 3,52 3,45 3,40 3,37 3,34 3,32 3,30 3,27 3,24 3,21 3,19 3,17 3,16 3,14 3,12 3,10
6 3,78 3,46 3,29 3,18 3,11 3,05 3,01 2,98 2,96 2,94 2,90 2,87 2,84 2,82 2,80 2,78 2,76 2,74 2,72
7 3,59 3,26 3,07 2,96 2,88 2,83 2,78 2,75 2,72 2,70 2,67 2,63 2,59 2,58 2,56 2,54 2,51 2,49 2,47
8 3,46 3,11 2,92 2,81 2,73 2,67 2,62 2,59 2,56 2,54 2,50 2,46 2,42 2,40 2,38 2,36 2,34 2,32 2,29
9 3,36 3,01 2,81 2,69 2,61 2,55 2,51 2,47 2,44 2,42 2,38 2,34 2,30 2,28 2,25 2,23 2,21 2,18 2,16
10 3,29 2,92 2,73 2,61 2,52 2,46 2,41 2,38 2,35 2,32 2,28 2,24 2,20 2,18 2,16 2,13 2,11 2,08 2,06
11 3,23 2,86 2,66 2,54 2,45 2,39 2,34 2,30 2,27 2,25 2,21 2,17 2,12 2,10 2,08 2,05 2,03 2,00 1,97
12 3,18 2,81 2,61 2,48 2,39 2,33 2,28 2,24 2,21 2,19 2,15 2,10 2,06 2,04 2,01 1,99 1,96 1,93 1,90
13 3,14 2,76 2,56 2,43 2,35 2,28 2,23 2,20 2,16 2,14 2,10 2,05 2,01 1,98 1,96 1,93 1,90 1,88 1,85
14 3,10 2,73 2,52 2,39 2,31 2,24 2,19 2,15 2,12 2,10 2,05 2,01 1,96 1,94 1,91 1,89 1,86 1,83 1,80
15 3,07 2,70 2,49 2,36 2,27 2,21 2,16 2,12 2,09 2,06 2,02 1,97 1,92 1,90 1,87 1,85 1,82 1,79 1,76
16 3,05 2,67 2,46 2,33 2,24 2,18 2,13 2,09 2,06 2,03 1,99 1,94 1,89 1,87 1,84 1,81 1,78 1,75 1,72
17 3,03 2,64 2,44 2,31 2,22 2,15 2,10 2,06 2,03 2,00 1,96 1,91 1,86 1,84 1,81 1,78 1,75 1,72 1,69
18 3,01 2,62 2,42 2,29 2,20 2,13 2,08 2,04 2,00 1,98 1,93 1,89 1,84 1,81 1,78 1,75 1,72 1,69 1,66
19 2,99 2,61 2,40 2,27 2,18 2,11 2,06 2,02 1,98 1,96 1,91 1,86 1,81 1,79 1,76 1,73 1,70 1,67 1,63
20 2,97 2,59 2,38 2,25 2,16 2,09 2,04 2,00 1,96 1,94 1,89 1,84 1,79 1,77 1,74 1,71 1,68 1,64 1,61
21 2,96 2,57 2,36 2,23 2,14 2,08 2,02 1,98 1,95 1,92 1,88 1,83 1,78 1,75 1,72 1,69 1,66 1,62 1,59
22 2,95 2,56 2,35 2,22 2,13 2,06 2,01 1,98 1,93 1,90 1,86 1,81 1,76 1,73 1,70 1,67 1,64 1,60 1,57
23 2,94 2,55 2,34 2,21 2,11 2,05 1,99 1,95 1,92 1,89 1,84 1,80 1,74 1,72 1,69 1,66 1,62 1,59 1,55
24 2,93 2,54 2,33 2,19 2,10 2,04 1,98 1,94 1,91 1,88 1,83 1,78 1,73 1,70 1,67 1,64 1,61 1,57 1,53
25 2,92 2,53 2,32 2,18 2,09 2,02 1,97 1,93 1,89 1,87 1,82 1,77 1,72 1,69 1,66 1,63 1,59 1,56 1,52
26 2,91 2,52 2,31 2,17 2,08 2,01 1,96 1,92 1,88 1,86 1,81 1,76 1,71 1,68 1,65 1,61 1,58 1,54 1,50
27 2,90 2,51 2,30 2,17 2,07 2,00 1,95 1,91 1,87 1,85 1,80 1,75 1,70 1,67 1,64 1,60 1,57 1,53 1,49
28 2,89 2,50 2,29 2,16 2,06 2,00 1,94 1,90 1,87 1,84 1,79 1,74 1,69 1,66 1,63 1,59 1,56 1,52 1,48
29 2,89 2,50 2,28 2,15 2,06 1,99 1,93 1,89 1,86 1,83 1,78 1,73 1,68 1,65 1,62 1,58 1,55 1,51 1,47
30 2,88 2,49 2,28 2,14 2,05 1,98 1,93 1,88 1,85 1,82 1,77 1,72 1,67 1,64 1,61 1,57 1,54 1,50 1,46
40 2,84 2,44 2,23 2,09 2,00 1,93 1,87 1,83 1,79 1,76 1,71 1,66 1,61 1,57 1,54 1,51 1,47 1,42 1,38
60 2,79 2,39 2,18 2,04 1,95 1,87 1,82 1,77 1,74 1,71 1,66 1,60 1,54 1,51 1,48 1,44 1,40 1,35 1,29
120 2,75 2,35 2,13 1,99 1,90 1,82 1,77 1,72 1,68 1,65 1,60 1,55 1,48 1,45 1,41 1,37 1,32 1,26 1,19
 2,71 2,30 2,08 1,94 1,85 1,77 1,72 1,67 1,63 1,60 1,55 1,49 1,42 1,38 1,34 1,30 1,24 1,17 1,00
Interpolações devem ser feitas com base nos recíprocos dos graus de liberdade (interpolação harmônica).
Fonte: Scheffé, H. The analysis of variance. New York, Wiley, 1959.
112
TABELA 4 – Valores de t segundo o nível de significância e os graus de liberdade do resíduo
Número de Graus Nível de significância para o teste bilateral ()
de Liberdade 0,01 0,05 0,10
1 63,657 12,706 6,314
2 9,925 4,303 2,920
3 5,841 3,182 2,353
4 4,604 2,776 2,132
5 4,032 2,571 2,015
6 3,707 2,447 1,943
4 3,499 2,365 1,895
8 3,355 2,306 1,860
9 3,250 2,262 1,833
10 3,169 2,228 1,812
11 3,106 2,201 1,796
12 3,055 2,179 1,782
13 3,012 2,160 1,771
14 2,977 2,145 1,761
15 2,947 2,131 1,753
16 2,921 2,120 1,746
17 2,898 2,110 1,740
18 2,878 2,101 1,734
19 2,861 2,093 1,729
20 2,845 2,086 1,725
21 2,831 2,080 1,721
22 2,819 2,074 1,717
23 2,807 2,069 1,714
24 2,797 2,064 1,711
25 2,787 2,060 1,708
26 2,779 2,056 1,706
27 2,771 2,052 1,703
28 2,763 2,048 1,701
29 2,756 2,045 1,699
30 2,750 2,042 1,697
40 2,704 2,021 1,684
60 2,660 2,000 1,671
120 2,617 1,980 1,658
 2,576 1,960 1,645

91
TABELA 5 – Valores de q para o nível de significância de 1% segundo o número de tratamentos e os graus de liberdade do resíduo
No de graus de Número de graus de liberdade do numerador
liberdade do
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
resíduo
1 90,0 135 164 186 202 216 227 237 246 253 260 266 272 277 282 286 290 294 298
2 14,4 19,0 22,3 24,7 26,6 28,2 29,5 30,7 31,7 32,6 33,4 34,1 34,8 35,4 36,0 36,5 37,0 37,5 37,9
3 8,26 10,6 12,2 13,3 14,2 15,0 15,6 16,2 16,7 17,1 17,5 17,9 18,2 18,5 18,8 19,1 19,3 19,5 19,8
4 6,51 8,12 9,17 9,96 10,6 11,1 11,5 11,9 12,3 12,6 12,8 13,1 13,3 13,5 13,7 13,9 14,1 14,2 14,4
5 5,70 6,97 7,80 8,42 8,91 9,32 9,67 9,97 10,2 10,5 10,7 10,9 11,1 11,2 11,4 11,6 11,7 11,8 11,9
6 5,24 6,33 7,03 7,56 7,97 8,32 8,61 8,87 9,10 9,30 9,49 9,65 9,81 9,95 10,1 10,2 10,3 10,4 10,5
7 4,95 5,92 6,54 7,01 7,37 7,68 7,94 8,17 8,37 8,55 8,71 8,86 9,00 9,12 9,24 9,35 9,46 9,55 9,65
8 4,74 5,63 6,20 6,63 6,96 7,24 7,47 7,68 7,87 8,03 8,18 8,31 8,44 8,55 8,66 8,76 8,85 8,94 9,03
9 4,60 5,43 5,96 6,35 6,66 6,91 7,13 7,32 7,49 7,65 7,78 7,91 8,03 8,13 8,23 8,32 8,41 8,49 8,57
10 4,48 5,27 5,77 6,14 6,43 6,67 6,87 7,05 7,21 7,36 7,48 7,60 7,71 7,81 7,91 7,99 8,07 8,15 8,82
11 4,39 5,14 5,62 5,97 6,25 6,48 6,67 6,84 6,99 7,13 7,25 7,36 7,46 7,56 7,65 7,73 7,81 7,88 7,95
12 4,32 5,04 5,50 5,84 6,10 6,32 6,51 6,67 6,81 6,94 7,06 7,17 7,26 7,36 7,44 7,52 7,59 7,66 7,73
13 4,26 4,96 5,40 5,73 5,98 6,19 6,37 6,53 6,67 6,79 6,90 7,01 7,10 7,19 7,27 7,34 7,42 7,48 7,55
14 4,21 4,89 5,32 5,63 5,88 6,08 6,26 6,41 6,54 6,66 6,77 6,87 6,96 7,05 7,12 7,20 7,27 7,332 7,39
15 4,17 4,83 5,25 5,56 5,80 5,99 6,16 6,31 6,44 6,55 6,66 6,76 6,84 6,93 7,00 7,07 7,14 7,20 7,26
16 4,13 4,78 5,19 5,49 5,72 5,92 6,08 6,22 6,35 6,46 6,56 6,66 6,74 6,82 6,90 6,97 7,03 7,09 7,15
17 4,10 4,74 5,14 5,43 5,66 5,85 6,01 6,15 6,27 6,38 6,48 6,57 6,66 6,73 6,80 6,87 6,94 7,00 7,05
18 4,07 4,70 5,09 5,38 5,60 5,79 5,94 6,08 6,20 6,31 6,41 6,50 6,58 6,65 6,72 6,79 6,85 6,91 6,96
19 4,05 4,67 5,05 5,33 5,55 5,73 5,89 6,02 6,14 6,25 6,34 6,43 6,51 6,58 6,65 6,72 6,78 6,84 6,89
20 4,02 4,64 5,02 5,29 5,51 5,69 5,84 5,97 6,09 6,19 6,29 6,37 6,45 6,52 6,59 6,65 6,71 6,76 6,82
24 3,96 4,54 4,91 5,17 5,37 5,54 5,69 5,81 5,92 6,02 6,11 6,19 6,26 6,33 6,39 6,45 6,51 6,56 6,61
30 3,89 4,45 4,80 5,05 5,24 5,40 5,54 5,65 5,76 5,85 5,93 6,01 6,08 6,14 6,20 6,26 6,31 6,36 6,41
40 3,82 4,37 4,70 4,93 5,11 5,27 5,39 5,50 5,60 5,69 5,77 5,84 5,90 5,96 6,02 6,07 6,12 6,17 6,21
60 3,76 4,28 4,60 4,82 4,99 5,13 5,25 5,36 5,45 5,53 5,60 5,67 5,73 5,79 5,84 5,89 5,93 5,98 6,02
120 3,70 4,20 4,50 4,71 4,87 5,01 5,12 5,21 5,30 5,38 5,44 5,51 5,56 5,61 5,66 5,71 5,75 5,79 5,83
 3,64 4,12 4,40 4,60 4,76 4,88 4,99 5,08 5,16 5,23 5,29 535 5,40 5,45 5,49 5,54 5,57 5,61 5,65
Fonte: Scheffé, H. The analysis of variance. New York, Wiley, 1959.
TABELA 6 – Valores de q para o nível de significância de 5% segundo o número de tratamentos e os graus de liberdade do resíduo
No de graus de Número de graus de liberdade do numerador
liberdade do
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
resíduo
1 18,0 27,0 32,8 37,1 40,4 43,1 45,4 47,4 49,1 50,6 52,0 53,2 54,3 55,4 56,3 57,2 58,0 58,8 59,6
2 6,08 8,33 9,80 10,9 11,7 12,4 13,0 13,5 14,0 14,4 14,7 15,1 15,4 15,7 15,9 16,1 16,4 16,6 16,8
3 4,50 5,91 6,82 7,50 8,04 8,48 8,85 9,18 9,46 9,72 9,95 10,2 10,3 10,5 10,7 10,8 11,0 11,1 11,2
4 3,93 5,04 5,76 6,29 6,71 7,05 7,35 7,60 7,86 8,03 8,21 8,37 8,52 8,56 8,79 8,91 9,03 9,13 9,23
5 3,64 4,60 5,22 5,67 6,03 6,33 6,58 6,80 6,99 7,14 7,32 7,47 7,60 7,72 7,83 7,93 8,03 8,12 8,21
6 3,46 4,34 4,90 5,30 5,63 5,90 6,12 6,32 6,49 6,65 6,79 6,92 7,03 7,14 7,24 7,34 7,43 7,51 7,59
7 3,34 4,16 4,68 5,06 5,36 5,61 5,82 6,00 6,16 6,30 6,43 6,55 6,66 6,76 6,85 6,94 7,02 7,10 7,17
8 3,26 4,04 4,53 4,89 5,17 5,40 5,60 5,77 5,92 6,05 6,18 6,29 6,39 6,48 6,57 6,65 6,73 6,80 6,87
9 3,20 3,95 4,41 4,76 5,02 5,24 5,43 5,59 5,74 5,87 5,98 6,09 6,19 6,28 6,36 6,44 6,51 6,58 6,64
10 3,15 3,88 4,33 4,65 4,91 5,12 5,30 5,46 5,60 5,72 5,83 5,93 6,03 6,11 6,19 6,27 6,34 6,40 6,47
11 3,11 3,82 4,26 4,57 4,82 5,03 5,20 5,35 5,49 5,61 5,71 5,81 5,90 5,98 6,06 6,13 6,20 6,27 6,33
12 3,08 3,77 4,20 4,51 6,75 4,95 5,12 5,27 5,39 5,51 5,61 5,71 5,80 5,88 5,95 6,02 6,09 6,15 6,21
13 3,06 3,73 4,15 4,45 5,69 4,88 5,05 5,19 5,32 5,43 5,53 5,63 5,71 5,79 5,86 5,93 5,99 6,05 6,11
14 3,03 3,70 4,11 4,41 5,64 4,83 4,99 5,13 5,25 5,36 5,46 5,55 5,64 5,71 5,79 5,85 5,91 5,97 6,03
15 3,01 3,67 4,08 4,37 4,59 4,78 4,94 5,08 5,20 5,31 5,40 5,49 5,57 5,65 5,72 5,78 5,85 5,90 5,96
16 3,00 3,65 4,05 4,33 4,56 4,74 4,90 5,03 5,15 5,26 5,35 5,44 5,52 5,59 5,66 5,73 5,79 5,84 5,90
17 2,98 3,63 4,02 4,30 4,52 4,70 4,86 4,99 5,11 5,21 5,31 5,39 5,47 5,54 5,61 5,67 5,73 5,79 5,84
18 2,97 3,61 4,00 4,28 4,49 4,67 4,82 4,96 5,07 5,17 5,27 5,35 5,43 5,50 5,57 5,63 5,69 5,74 5,79
19 2,96 3,59 3,98 4,25 4,47 4,65 4,79 4,92 5,04 5,14 5,23 5,31 5,39 5,46 5,53 5,59 5,65 5,70 5,75
20 2,95 3,58 3,96 4,23 4,45 4,62 4,77 4,90 5,01 5,11 5,20 5,28 5,36 5,43 5,49 5,55 5,61 5,66 5,71
24 2,92 3,53 3,90 4,17 4,37 4,54 4,68 4,81 4,92 5,01 5,10 5,18 5,25 5,32 5,38 5,44 5,49 5,55 5,59
30 2,89 5,49 3,85 4,10 4,30 4,46 4,60 4,72 4,82 4,92 5,00 5,08 5,15 5,21 5,27 5,33 5,38 5,43 5,47
40 2,86 3,44 3,79 4,06 4,23 4,39 4,52 4,63 4,73 4,82 4,90 4,98 5,04 5,11 5,16 5,22 5,27 5,31 5,36
60 2,83 3,40 3,74 3,98 4,16 4,31 4,44 4,55 4,65 4,73 4,81 4,88 4,94 5,00 5,06 5,11 5,15 5,20 5,24
120 2,80 3,36 3,68 3,92 4,10 4,24 4,36 4,47 4,56 4,64 4,71 4,78 4,84 4,90 4,95 5,00 5,04 5,09 5,13
 2,77 3,31 3,63 3,86 4,03 4,17 4,29 4,39 4,47 4,55 4,62 4,68 4,74 4,80 4,85 4,89 4,93 4,97 5,01
Fonte: Scheffé, H. The analysis of variance. New York, Wiley, 1959.
TABELA 7 – Valores de q para o nível de significância de 10% segundo o número de tratamentos e os graus de liberdade do resíduo
No de graus de Número de graus de liberdade do numerador
liberdade do
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
resíduo
1 8,93 13,4 16,4 18,5 20,2 21,5 22,6 23,6 24,5 25,2 25,9 26,5 27,1 27,6 28,1 28,5 29,0 29,3 27,7
2 4,13 5,73 6,77 7,54 8,14 8,63 9,05 9,41 9,72 10,0 10,3 10,5 10,7 10,9 11,1 11,2 11,4 11,5 11,7
3 3,33 4,47 5,20 5,74 6,16 6,51 6,81 7,06 7,29 7,49 7,67 7,86 7,98 8,12 8,25 8,37 8,48 8,58 8,68
4 3,01 3,98 4,59 5,03 5,39 5,68 5,93 6,14 6,33 6,49 6,65 6,78 6,91 7,02 7,13 7,23 7,33 7,41 7,50
5 2,85 3,72 4,26 4,66 4,98 5,24 5,46 5,65 5,82 5,97 6,10 6,22 6,34 6,44 6,54 6,63 6,71 6,79 6,89
6 2,75 3,56 4,07 4,44 4,73 4,97 5,17 5,34 5,50 5,64 5,76 5,87 5,98 6,07 6,16 6,25 6,32 6,40 6,47
7 2,68 3,45 3,93 4,28 4,55 4,78 4,97 5,14 5,28 5,41 5,53 5,64 5,74 5,83 5,91 5,99 6,06 6,13 6,19
8 2,63 3,37 3,83 4,17 4,43 4,65 4,83 4,99 5,13 5,25 5,36 5,46 5,56 5,64 5,72 5,80 5,87 5,93 6,00
9 2,59 3,32 3,76 4,08 4,34 4,54 4,72 4,87 5,01 5,13 5,23 5,33 5,42 5,51 5,58 5,66 5,72 5,79 5,85
10 2,56 3,27 3,70 4,02 4,26 4,47 4,64 4,78 4,91 5,03 5,13 5,23 5,32 5,40 5,47 5,54 5,61 5,67 5,73
11 2,54 3,23 3,66 3,96 4,20 4,40 4,57 4,71 4,84 4,95 5,05 5,15 5,23 5,31 5,38 5,45 5,51 5,57 5,63
12 2,52 3,20 3,62 3,92 4,16 4,35 4,51 4,65 4,78 4,89 4,99 5,08 5,16 5,24 5,31 5,37 5,44 5,49 5,55
13 2,50 3,18 3,59 3,88 4,12 4,30 4,46 4,60 4,72 4,83 4,93 5,02 5,10 5,18 5,25 5,31 5,37 5,43 5,48
14 2,49 3,16 3,56 3,85 4,08 4,27 4,42 4,56 4,68 4,79 4,88 4,97 5,05 5,12 5,19 5,26 5,32 5,37 5,43
15 2,48 3,14 3,54 3,83 4,05 4,23 4,39 4,52 4,64 4,75 4,84 4,39 5,01 5,08 5,15 5,21 5,27 5,32 5,38
16 2,47 3,12 3,52 3,80 4,03 4,21 4,36 4,49 4,61 4,71 4,81 4,89 4,97 5,04 5,11 5,17 5,23 5,28 5,33
17 2,46 3,11 3,50 3,78 4,00 4,18 4,33 4,46 4,58 4,68 4,77 4,86 4,93 5,01 5,07 5,13 5,19 5,24 5,30
18 2,45 3,10 3,49 3,77 3,98 4,16 4,31 4,44 4,55 4,65 4,75 4,86 4,90 4,98 5,04 5,10 5,16 5,21 5,26
19 2,45 3,09 3,47 3,75 3,97 4,14 4,29 4,42 4,53 4,63 4,72 4,80 4,88 4,95 5,01 5,07 5,13 5,18 5,23
20 2,44 3,08 3,46 3,74 3,95 4,12 4,27 4,40 4,51 4,61 4,70 4,78 4,85 4,92 4,99 5,05 5,10 5,16 5,20
24 2,42 3,05 3,42 3,69 3,90 4,07 4,21 4,34 4,44 4,54 4,63 4,71 4,78 4,85 4,91 4,97 5,02 5,07 5,12
30 2,40 3,02 3,39 3,65 3,85 4,02 4,16 4,28 4,38 4,47 4,56 4,64 4,71 4,77 4,83 4,89 4,94 4,99 5,03
40 2,38 2,99 3,35 3,60 3,80 3,96 4,10 4,21 4,32 4,41 4,49 4,56 4,63 4,69 4,75 4,81 4,86 4,90 4,95
60 2,36 2,96 3,31 3,56 3,75 3,91 4,04 4,16 4,25 4,34 4,42 4,49 4,56 4,62 4,67 4,73 4,78 4,82 4,86
120 2,34 2,93 3,28 3,52 3,71 3,86 3,99 4,10 4,19 4,28 4,35 4,42 4,48 4,54 4,60 4,65 4,69 4,74 4,78
 2,33 2,90 3,24 3,48 3,66 3,81 3,93 4,04 4,13 4,21 4,28 4,35 4,41 4,47 4,52 4,57 4,61 4,65 4,69
Fonte: Scheffé, H. The analysis of variance. New York, Wiley, 1959.
TABELA 8 – Valores de z para o nível de significância de 1% segundo o número de médias abrangidas pelo intervalo e o número de graus de liberdade do resíduo
No de graus de Número de médias abrangidas pelo intervalo
liberdade do
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
resíduo
1 90,03 90,03 90,03 90,03 90,03 90,03 90,03 90,03 90,03 90,03 90,03 90,03 90,03 90,03 90,03 90,03 90,03 90,03 90,03
2 14,02 14,04 14,04 14,04 14,04 14,04 14,04 14,04 14,04 14,04 14,04 14,04 14,04 14,04 14,04 14,04 14,04 14,04 14,04
3 8,261 8,321 8,321 8,321 8,321 8,321 8,321 8,321 8,321 8,321 8,321 8,321 8,321 8,321 8,321 8,321 8,321 8,321 8,321
4 6,512 6,677 6,740 6,756 6,756 6,756 6,756 6,756 6,756 6,756 6,756 6,756 6,756 6,756 6,756 6,756 6,756 6,756 6,756
5 5,702 5,893 5,989 6,040 6,065 6,074 6,074 6,074 6,074 6,074 6,074 6,074 6,074 6,074 6,074 6,074 6,074 6,074 6,074
6 5,243 5,439 5,549 5,614 5,655 5,680 5,694 5,701 5,703 5,703 5,703 5,703 5,703 5,703 6,703 5,703 5,703 5,703 5,703
7 4,949 5,145 5,260 5,334 5,383 5,416 5,439 5,454 5,464 5,470 5,472 5,472 5,472 5,472 5,472 5,472 5,472 5,472 5,472
8 4,746 4,939 5,057 5,135 5,189 5,227 5,256 5,276 5,291 5,302 5,309 5,314 5,316 5,317 5,317 5,317 5,317 5,317 5,317
9 4,596 4,787 4,906 4,986 5,043 5,086 5,118 5,142 5,160 5,174 5,185 5,193 5,199 5,203 5,205 5,206 5,206 5,206 5,206
10 4,482 4,671 4,790 4,871 4,931 4,975 5,010 5,037 5,058 5,074 5,088 5,098 5,106 5,112 5,117 5,120 5,122 5,124 5,124
11 4,392 4,579 4,697 4,780 4,841 4,887 4,924 4,952 4,975 4,994 5,009 5,021 5,031 5,039 5,045 5,050 5,054 5,057 5,059
12 4,320 4,504 4,622 4,706 4,767 4,815 4,852 4,883 4,907 4,927 4,944 4,958 4,969 4,978 4,986 4,993 4,998 5,002 5,006
13 4,260 4,442 4,560 4,644 4,706 4,755 4,793 4,824 4,850 4,872 4,889 4,904 4,917 4,928 4,937 4,944 4,950 4,956 4,960
14 4,210 4,391 4,508 4,591 4,654 4,704 4,743 4,775 4,802 4,824 4,843 4,859 4,872 4,884 4,894 4,902 4,910 4,916 4,921
15 4,168 4,347 4,463 4,547 4,610 4,660 4,700 4,733 4,760 4,783 4,808 4,820 4,834 4,846 4,857 4,866 4,874 4,881 4,887
16 4,131 4,309 4,425 4,509 4,572 4,622 4,663 4,696 4,724 4,748 4,768 4,786 7,800 4,813 4,825 4,835 4,844 4,851 4,858
17 4,099 4,275 4,391 4,475 4,539 4,589 4,630 4,664 4,693 4,717 4,738 4,756 4,771 4,785 4,797 4,807 4,816 4,824 4,823
18 4,071 4,246 4,362 4,445 4,509 4,560 4,601 4,635 4,664 4,689 4,711 4,729 4,745 4,759 4,772 4,783 4,792 4,801 4,808
19 4,046 4,220 4,335 4,419 4,483 4,534 4,575 4,610 4,639 4,665 4,686 4,705 4,722 4,736 4,749 4,761 4,771 4,780 4,788
20 4,024 4,197 4,312 4,395 4,459 4,510 4,552 4,587 4,617 4,342 4,664 4,684 4,701 4,716 4,729 4,741 4,751 4,761 4,769
24 3,956 4,126 4,239 4,322 4,386 4,437 4,480 4,516 4,546 4,573 4,596 4,616 4,634 4,651 4,665 4,678 4,690 4,700 4,710
30 3,889 4,056 4,168 4,250 4,314 4,366 4,409 4,445 4,477 4,504 4,528 4,550 4,569 4,586 4,601 4,615 4,628 4,640 4,650
40 3,825 3,988 4,098 4,180 4,244 4,296 4,339 4,376 4,408 4,436 4,461 4,483 4,503 4,521 4,537 4,553 4,566 4,579 4,591
60 3,762 3,922 4,031 1,111 4,174 4,226 4,270 4,307 4,340 4,368 4,394 4,417 4,438 4,456 4,474 4,490 4,504 4,518 4,530
120 3,702 3,858 3,965 4,044 4,107 4,158 4,202 4,239 4,272 4,301 4,327 4,351 4,372 4,392 4,410 4,426 4,442 4,456 4,469
 3,643 3,796 3,900 3,978 4,040 4,091 4,135 4,172 4,205 4,235 4,261 4,285 4,307 4,327 4,345 4,363 4,379 4,394 4,408

Fonte: Harter, H.L. Critical values for Duncan’s new multiple range test. Biometrics, (16): 671-85, 1960.
TABELA 9 – Valores de z para o nível de significância de 5% segundo o número de médias abrangidas pelo intervalo e o número de graus de liberdade do resíduo
No de graus de Número de médias abrangidas pelo intervalo
liberdade do
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
resíduo
1 17,97 17,97 17,97 17,97 17,97 17,97 17,97 17,97 17,97 17,97 17,97 17,97 17,97 17,97 17,97 17,97 17,97 17,97 17,97
2 6,085 6,085 6,085 6,085 6,085 6,085 6,085 6,085 6,085 6,085 6,085 6,085 6,085 6,085 6,085 6,085 6,085 6,085 6,085
3 4,501 4,516 4,516 4,516 4,516 4,516 4,516 4,516 4,516 4,516 4,516 4,516 4,516 4,516 4,516 4,516 4,516 4,516 4,516
4 3,927 4,013 4,033 4,033 4,033 4,033 4,033 4,033 4,033 4,033 4,033 4,033 4,033 4,033 4,033 4,033 4,033 4,033 4,033
5 3,365 3,749 3,797 3,814 3,814 3,814 3,814 3,814 3,814 3,814 3,814 3,814 3,814 3,814 3,814 3,814 3,814 3,814 3,814
6 3,461 3,587 3,649 3,680 3,694 3,697 3,697 3,697 3,697 3,697 3,697 3,697 3,697 3,697 3,697 3,697 3,697 3,697 3,697
7 3,344 3,477 3,548 3,588 3,611 3,622 3,626 3,626 3,626 3,626 3,626 3,626 3,626 3,626 3,626 3,626 3,626 3,626 3,626
8 3,261 3,399 3,475 3,521 3,549 3,566 3,575 3,579 3,579 3,579 3,579 3,579 3,579 3,579 3,579 3,579 3,579 3,579 3,579
9 3,199 3,339 3,420 3,470 3,502 3,523 3,536 3,544 3,547 3,547 3,547 3,547 3,547 3,547 3,547 3,547 3,547 3,547 3,547
10 3,151 3,293 3,376 3,430 3,465 3,489 3,505 3,516 3,522 3,525 3,526 3,526 3,526 3,526 3,526 3,526 3,526 3,526 3,526
11 3,113 3,256 3,342 3,397 3,435 3,462 3,480 3,493 3,501 3,506 3,509 3,510 3,510 3,510 3,510 3,510 3,510 3,510 3,510
12 3,082 3,225 3,313 3,370 3,410 3,439 3,459 3,474 3,484 3,491 3,496 3,498 3,499 3,499 3,499 3,499 3,499 3,499 3,499
13 3,055 3,200 3,289 3,348 3,389 3,419 3,442 3,458 3,470 3,478 3,484 3,488 3,490 3,490 3,490 3,490 3,490 3,490 3,490
14 3,033 3,178 3,268 3,329 3,372 3,403 3,426 3,444 3,457 3,467 3,474 3,479 3,482 3,448 3,484 3,485 3,485 3,485 3,485
15 3,014 3,160 3,250 3,312 3,356 3,389 3,413 3,432 3,446 3,457 3,465 3,471 3,476 3,478 3,480 3,481 3,481 3,481 3,481
16 2,998 3,144 3,235 3,298 3,343 3,376 3,402 3,422 3,437 3,449 3,458 3,465 3,470 3,473 3,477 3,478 3,478 3,478 3,478
17 2,984 3,130 3,222 3,285 3,331 3,366 3,392 3,412 3,429 3,441 3,451 3,459 3,465 3,469 3,473 3,475 3,476 3,476 3,476
18 2,971 3,118 3,210 3,274 3,321 3,356 3,383 3,405 3,421 3,435 3,445 3,454 3,460 3,465 3,470 3,472 3,474 3,474 3,474
19 2,960 3,107 3,199 3,264 3,311 3,347 3,375 3,397 3,415 3,429 3,440 3,449 3,456 3,462 3,467 3,470 3,472 3,473 3,474
20 2,950 3,097 3,190 3,255 3,303 3,339 3,368 3,391 3,409 3,424 3,436 3,445 3,453 3,459 3,464 3,467 3,470 3,472 3,473
24 2,919 3,066 3,160 3,226 3,276 3,315 3,345 3,370 3,390 3,406 3,420 3,432 3,441 3,449 3,456 3,461 3,465 3,469 3,471
30 2,888 3,035 3,131 3,199 3,250 3,290 3,322 3,349 3,371 3,389 3,405 3,418 3,430 3,439 3,447 3,454 3,460 3,466 3,470
40 2,858 3,006 3,102 3,171 3,224 3,266 3,300 3,328 3,352 3,373 3,390 3,405 3,418 3,429 3,439 3,448 3,456 3,463 3,469
60 2,829 2,976 3,073 3,143 3,198 3,241 3,277 3,307 3,333 3,355 3,374 3,391 3,406 3,419 3,431 3,442 3,451 3,460 3,467
120 2,800 2,947 3,045 3,116 3,172 3,217 3,254 3,287 3,314 3,337 3,359 3,377 3,394 3,409 3,423 3,435 3,446 3,457 3,466
 2,722 2,918 3,017 3,089 3,146 3,193 3,232 3,265 3,294 3,320 3,343 3,363 3,382 3,399 3,414 3,428 3,442 3,454 3,466

Fonte: Harter, H.L. Critical values for Duncan’s new multiple range test. Biometrics, (16): 671-85, 1960.
TABELA 10 – Valores de z para o nível de significância de 10% segundo o número de médias abrangidas pelo intervalo e o número de graus de liberdade do resíduo
No de graus de Número de médias abrangidas pelo intervalo
liberdade do
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
resíduo
1 8,929 8,929 8,929 8,929 8,929 8,929 8,929 8,929 8,929 8,929 8,929 8,929 8,929 8,929 8,929 8,929 8,929 8,929 8,929
2 4,130 4,130 4,130 4,130 4,130 4,130 4,130 4,130 4,130 4,130 4,130 4,130 4,130 4,130 4,130 4,130 4,130 4,130 4,130
3 3,328 3,330 3,330 3,330 3,330 3,330 3,330 3,330 3,330 3,330 3,330 3,330 3,330 3,330 3,330 3,330 3,330 3,330 3,330
4 3,015 3,081 3,081 3,081 3,081 3,081 3,081 3,081 3,081 3,081 3,081 3,081 3,081 3,081 3,081 3,081 3,081 3,081 3,081
5 2,850 2,964 2,964 2,970 2,970 2,970 2,970 2,970 2,970 2,970 2,970 2,970 2,970 2,970 2,970 2,970 2,970 2,970 2,970
6 2,748 2,890 2,890 2,908 2,911 2,911 2,911 2,911 2,911 2,911 2,911 2,911 2,911 2,911 2,911 2,911 2,911 2,911 2,911
7 2,680 2,838 2,838 2,864 2,876 2,878 2,878 2,878 2,878 2,878 2,878 2,878 2,878 2,878 2,878 2,878 2,878 2,878 2,878
8 2,630 2,800 2,800 2,832 2,849 2,857 2,858 2,858 2,858 2,858 2,858 2,858 2,858 2,858 2,858 2,858 2,858 2,858 2,858
9 2,592 2,771 2,771 2,808 2,829 2,840 2,845 2,847 2,847 2,847 2,847 2,847 2,847 2,847 2,847 2,847 2,847 2,847 2,847
10 2,563 2,748 2,748 2,788 2,813 2,827 2,835 2,839 2,839 2,839 2,839 2,839 2,839 2,839 2,839 2,839 2,839 2,839 2,839
11 2,540 2,660 2,730 2,772 2,799 2,817 2,827 2,833 2,835 2,835 2,835 2,835 2,835 2,835 2,835 2,835 2,835 2,835 2,835
12 2,521 2,643 2,714 2,759 2,789 2,808 2,821 2,828 2,832 2,833 2,833 2,833 2,833 2,833 2,833 2,833 2,833 2,833 2,833
13 2,505 2,628 2,701 2,748 2,779 2,800 2,815 2,824 2,829 2,832 2,832 2,832 2,832 2,832 2,832 2,832 2,832 2,832 2,832
14 2,491 2,616 2,690 2,739 2,771 2,794 2,810 2,820 2,827 2,831 2,832 2,833 2,833 2,833 2,833 2,833 2,833 2,833 2,833
15 2,479 2,605 2,681 2,731 2,765 2,789 2,805 2,817 2,825 2,830 2,833 2,834 2,834 2,834 2,834 2,834 2,834 2,834 2,834
16 2,469 2,596 2,673 2,723 2,759 2,784 2,802 2,815 2,824 2,829 2,833 2,835 2,836 2,836 2,836 2,836 2,836 2,836 2,836
17 2,460 2,588 2,665 2,717 2,753 2,780 2,798 2,812 2,822 2,829 2,834 2,836 2,838 2,838 2,838 2,838 2,838 2,838 2,838
18 2,452 2,580 2,659 2,712 2,749 2,776 2,796 2,810 2,821 2,828 2,834 2,838 2,840 2,840 2,840 2,840 2,840 2,840 2,840
19 2,445 2,574 2,653 2,707 2,745 2,773 2,793 2,808 2,820 2,828 2,834 2,839 2,841 2,842 2,843 2,843 2,843 2,843 2,843
20 2,439 2,568 2,648 2,702 2,741 2,770 2,791 2,807 2,819 2,828 2,834 2,839 2,843 2,845 2,845 2,845 2,845 2,845 2,845
24 2,420 2,550 2,632 2,688 2,729 2,760 2,783 2,801 2,816 2,827 2,835 2,842 2,848 2,851 2,854 2,856 2,857 2,857 2,857
30 2,400 2,532 2,615 2,674 2,717 2,750 2,776 2,796 2,813 2,826 2,837 2,846 2,853 2,859 2,863 2,867 2,869 2,871 2,873
40 2,381 2,514 2,600 2,660 2,705 2,741 2,769 2,791 2,810 2,825 2,838 2,849 2,858 2,866 2,873 2,878 2,883 2,887 2,890
60 2,363 2,497 2,584 2,646 2,694 2,731 2,761 2,786 2,807 2,825 2,839 2,853 2,864 2,874 2,883 2,890 2,897 2,903 2,908
120 2,344 2,479 2,568 2,632 2,682 2,722 2,754 2,781 2,804 2,824 2,842 2,857 2,871 2,883 2,893 2,903 2,912 2,920 2,928
 2,326 2,462 2,552 2,619 2,670 2,712 2,746 2,776 2,801 2,824 2,844 2,861 2,877 2,892 2,905 2,918 2,929 2,939 2,949

Fonte: Harter, H.L. Critical values for Duncan’s new multiple range test. Biometrics, (16): 671-85, 1960.
TABELA 11 – Valores de d para o nível de significância de 1% segundo o número de grupos tratados e os graus de
liberdade do resíduo
No de graus Número de grupos tratados
de liberdade
1 2 3 4 5 6 7 8 9 10 11 12 15 20
do resíduo
5 4,03 4,69 4,98 5,22 5,41 5,56 5,68 5,80 5,80 5,98 6,05 6,12 6,30 6,52
7 3,71 4,21 4,51 4,71 4,87 5,00 5,10 5,20 5,28 5,35 5,41 5,47 5,62 5,81
5 3,50 3,95 4,21 4,39 4,83 4,64 4,74 4,82 4,89 4,95 5,01 5,06 5,19 5,36
8 3,36 3,77 4,00 4,17 4,29 4,40 4,48 4,56 4,62 4,68 4,73 4,78 4,90 5,05
9 3,25 3,63 3,85 4,01 4,12 4,22 4,30 4,37 4,43 4,48 4,53 4,57 4,68 4,82
10 3,17 3,53 3,74 3,88 3,99 4,08 4,16 4,22 4,28 4,33 4,37 4,42 4,52 4,65
11 3,11 3,45 3,65 3,79 3,89 3,98 4,05 4,11 4,16 4,21 4,25 4,29 4,39 4,52
12 3,05 3,39 3,58 3,71 3,81 3,89 3,96 4,02 4,07 4,12 4,16 4,19 4,29 4,41
13 3,01 3,33 3,52 3,65 3,74 3,82 3,89 3,94 3,99 4,04 4,08 4,11 4,20 4,32
14 2,98 3,29 3,47 3,59 3,69 3,76 3,83 3,88 3,93 3,97 4,01 4,05 4,13 4,24
15 2,95 3,25 3,43 3,55 3,64 3,71 3,78 3,83 3,88 3,92 3,95 3,99 4,07 4,18
16 2,92 3,22 3,39 3,51 3,60 3,67 3,73 3,78 3,83 3,87 3,91 3,94 4,02 4,13
17 2,90 3,19 3,36 3,47 3,56 3,63 3,69 3,74 3,79 3,83 3,86 3,90 3,98 4,08
18 2,88 3,17 3,33 3,44 3,53 3,60 3,66 3,71 3,75 3,79 3,83 3,86 3,94 4,04
19 2,86 3,15 3,31 3,42 3,50 3,57 3,63 3,68 3,72 3,76 3,79 3,83 3,90 4,00
20 2,85 3,13 3,29 3,40 3,48 3,55 3,60 3,65 3,69 3,73 3,77 3,80 3,87 3,97
24 2,80 3,07 3,22 3,32 3,40 3,47 3,52 3,57 3,61 3,64 3,68 3,70 3,78 3,87
30 2,75 3,01 3,15 3,25 3,33 3,39 3,44 3,49 3,52 3,56 3,59 3,62 3,69 3,78
40 2,70 2,95 3,09 3,19 3,26 3,32 3,37 3,41 3,44 3,48 3,51 3,53 3,60 3,68
60 2,66 2,90 3,03 3,12 3,19 3,25 3,29 3,33 3,37 3,40 3,42 3,45 3,51 3,59
120 2,62 2,85 2,97 3,06 3,12 3,18 3,22 3,26 3,29 3,32 3,35 3,37 3,43 3,51
 2,58 2,79 2,92 3,00 3,06 3,11 3,15 3,19 3,22 3,25 3,27 3,29 3,35 3,42
Fonte: Dunnett, C.W. New tables for multiple comparisons with a control. Biometrics, 20: 1964.

TABELA 12 – Valores de d para o nível de significância de 5% segundo o número de grupos tratados e os graus de
liberdade do resíduo
No de graus Número de grupos tratados
de liberdade
1 2 3 4 5 6 7 8 9 10 11 12 15 20
do resíduo
5 2,57 3,03 3,29 3,48 3,62 3,73 3,82 3,90 3,97 4,03 4,09 4,14 4,26 4,42
7 2,45 2,86 3,10 3,26 3,39 3,49 3,57 3,64 3,71 3,76 3,81 3,86 3,97 4,11
5 2,36 2,75 2,97 3,12 3,24 3,33 3,41 3,47 3,53 3,58 3,63 3,67 3,78 3,91
8 2,31 2,67 2,88 3,02 3,13 3,22 3,29 3,35 3,41 3,46 3,50 3,54 3,64 3,76
9 2,26 2,61 2,81 3,95 3,05 3,14 3,20 3,26 3,32 3,36 3,40 3,44 3,53 3,65
10 2,23 2,57 2,76 2,89 2,99 3,07 3,14 3,19 3,24 3,29 3,33 3,36 3,45 3,57
11 2,20 2,53 2,72 2,84 2,94 3,02 3,08 3,14 3,19 3,23 3,27 3,30 3,39 3,50
12 2,18 2,50 2,68 2,81 2,90 2,98 3,04 3,09 3,14 3,18 3,22 3,25 3,34 3,45
13 2,16 2,48 2,65 2,78 2,87 2,94 3,00 3,06 3,10 3,14 3,18 3,21 3,29 3,40
14 2,14 2,46 2,63 2,75 2,84 2,91 2,97 3,02 3,07 3,11 3,14 3,18 3,26 3,36
15 2,13 2,44 2,61 2,73 2,82 2,89 2,95 3,00 3,04 3,08 3,12 3,15 3,23 3,33
16 2,12 2,42 2,59 2,71 2,80 2,87 2,92 2,97 3,02 3,06 3,09 3,12 3,20 3,30
17 2,11 2,41 2,58 2,69 2,78 2,85 2,90 2,95 3,00 3,03 3,07 3,10 3,18 3,27
18 2,10 2,40 2,56 2,68 2,76 2,83 2,89 2,94 2,98 3,01 3,05 3,08 3,16 3,25
19 2,09 2,39 2,55 2,66 2,75 2,81 2,87 2,92 2,96 3,00 3,03 3,06 3,14 3,23
20 2,09 2,38 2,54 2,65 2,73 2,80 2,86 2,90 2,95 2,98 3,02 3,05 3,12 3,22
24 2,06 2,35 2,51 2,61 2,70 2,76 2,81 2,86 2,90 2,94 2,97 3,00 3,07 3,16
30 2,04 2,32 2,47 2,58 2,66 2,72 2,77 2,82 2,86 2,89 2,92 2,95 3,02 3,11
40 2,02 2,29 2,44 2,54 2,62 2,65 2,73 2,77 2,81 2,85 2,87 2,90 3,97 3,06
60 2,00 2,27 2,41 2,51 2,58 2,64 2,69 2,73 2,77 2,80 2,83 2,86 2,92 3,00
120 1,98 2,24 2,38 2,47 2,55 2,60 2,65 2,69 2,73 2,76 2,79 2,81 2,87 2,95
 1,96 2,21 2,35 2,44 2,51 2,57 2,61 2,65 2,69 2,72 2,72 2,77 2,83 2,91
Fonte: Dunnett, C.W. New tables for multiple comparisons with a control. Biometrics, 20: 1964.

98
 Análise Conjunta de Experimentos

Na experimentação agrícola é frequente a instalação de grupos de ensaio, todos com a

mesma estrutura, porém em anos e/ou locais distintos, visando a obtenção de conclusões mais
abrangentes.
Cada experimento permite tirar conclusões sobre o local onde foi instalado. Esses
ensaios individuais devem ser os mais simples possível, procurando atender bem aos objetivos que
se destinam e, geralmente, são feitos nos DIC e DBC. Todos os ensaios devem apresentar os
mesmos tratamentos e, sempre que possível, o mesmo número de repetições.
Exemplo: competição de cultivares de soja em diferentes locais, visando obter conclusões
generalizadas para toda a região (por exemplo, região de Bom Jesus, no PI).
Obtidos os dados experimentais, procede-se às análises individuais de cada experimento para tirar-
se as conclusões locais. A seguir, deve-se agrupar esses experimentos, para proceder a análise
conjunta. O agrupamento dos experimentos poderá ser feito adotando-se diversos critérios, dentre
os quais, a título de exemplificação, citam-se:
1- Fatores físicos, como tipo de solo, topografia e práticas agrícolas;
2- Ano agrícola: devem ser reunidos sempre ensaios realizados no mesmo ano agrícola, devido às
diferenças climáticas de ano para ano;
3- Ordem de grandeza dos quadrados médios residuais (QMRes’s) das análises individuais: deve ser
considerado em um mesmo ensaios cujo quadrado médio residuais não ultrapassem uma relação
aproximadamente 7:1 ou, para alguns pesquisadores 4:1;

Exemplo: consideram-se 10 ensaios individuais, cada uma com 6 tratamentos e 4 repetições no

delineamento em blocos casualizados (n=24 parcelas, e nos 10 locais = N=240). Os esquemas de
análise de variância serão:

Ensaios Individuais (seriam 10 desses)

Causas de variação GL
Tratamentos 5
Blocos 3
Resíduo 15
Total 23

Análise Conjunta (Tipo Especial de Fatorial)

Causas de Variação GL
Blocos dentro 10 experimentos 30
Tratamentos (T) (5)
Experimentos (E) 9
Interação TratsxExpers 45
Resíduo Médio (15x10) 150
Total 239

Normalmente, na análise conjunta não se considera o componente Blocos dentro de

Experimentos, que não apresenta interesse prático. Desse modo, o Total também não tem interesse e
o número de graus de liberdade do Resíduo Médio é obtido pela soma dos graus de liberdade dos
resíduos das análises individuais. No exemplo, o Resíduo Médio possui 15 x 10 = 150 graus de
liberdade.
99
 Exemplo Prático

Em um estudo sobre adubação nitrogenada na cana de açúcar , conduzido na antiga

CONVAP, em Teresina-PI, os dados coletados em 2009 são apresentados, em t/ha:

(Nitrogênio) Blocos TALHÕES

kg de N/ha NORTE SUL LESTE OESTE
1 109,30 87,45 95,60 68,00
0 2 124,00 115,12 101,00 47,00
3 100,00 93,10 98,50 78,00
1 118,00 112,30 115,00 104,00
45 2 141,60 91,30 109,00 78,00
3 117,70 125,65 97,50 87,00
1 117,70 108,00 83,00 128,00
90 2 127,20 156,70 111,50 65,00
3 116,50 93,10 114,00 84,00
1 122,50 108,00 111,00 89,00
135 2 114,60 99,75 140,00 88,50
3 129,00 135,40 83,50 60,00
1 126,60 103,20 130,00 74,00
180 2 112,00 113,00 119,00 82,00
3 123,60 158,50 87,50 67,00

ANOVA - Produtividade de cana-de-açúcar em função de doses crescentes de nitrogênio na parte

NORTE da fazenda COMVAP, Teresina-PI, 2009.

FV GL SQ QM F Ftab
Doses N 4 352,06 88,01ns 0,83 3,84
Blcos 2 117,08
RES 8 843,51 105,44
Total 14 1312,64

ANOVA - Produtividade de cana-de-açúcar em função de doses crescentes de nitrogênio na parte

SUL da fazenda COMVAP, Teresina-PI, 2009.

FV GL SQ QM F Ftab
Doses N 4 1203,83 300,96 ns 0,49 3,84
Blcos 2 777,80
RES 8 4900,32 612,54
Total 14 6881,95

ANOVA - Produtividade de cana-de-açúcar em função de doses crescentes de nitrogênio na parte

LESTE da fazenda COMVAP, Teresina-PI, 2009.

100
 FV GL SQ QM F Ftab
Doses N 4 411,32 102,83 ns 0,35 3,84
Blcos 2 992,00
RES 8 2343,61 292,95
Total 14 3746,93
ANOVA - Produtividade de cana-de-açúcar em função de doses crescentes de nitrogênio na parte
OESTE da fazenda COMVAP, Teresina-PI, 2009.

FV GL SQ QM F Ftab
Doses N 4 1571,40 392,85 ns 1,32 3,84
Blcos 2 1221,03
RES 8 2380,80 297,60
Total 14 5173,23

Antes de proceder à análise conjunta, devemos examinar os quadrados médios residuais

das análises individuais de cada SETOR, para verificar se eles estão numa relação aproximada 7:1.
No caso, temos:

QMResNORTE = 105,44 Menor Variância

QMResSUL = 612,54 Maior Variância
QMResLESTE = 292,95
QMResOESTE = 297,60

Dividindo-se a maior variância pela menor:

612,54 / 105,44 = 5,81 mostra que não haveria uma grande discrepância entre os
QUADRADOS MÉDIOS dasANOVAS individuais de cada SETOR.

Obs.: alguns autores preferem que este quociente não supere 4. E outros trabalham com
o valor 7.

Em fim, adotando-se 7 como limite, dizemos que não houve uma discrepância muito
grande entre os QM´s, e podemos proceder à análise conjunta do modo seguinte:

Cálculo do Fator de Correção C

C = (Total Geral dos 4 Experimentos)2 / N dos 4 experimentos

C = TG2/N Onde:

TG = G1 + G2 + G3 + G4 = 1800,30 + 1700,57 + 1596,10 + 1199,50 = 6296,47

N = n1 + n2 + n3 + n4 = 15 + 15 + 15 + 15 = 60

C = 660758,91

Cálculo da SOMA DE QUADRADOS DE TOTAL (SQTotal)

SQTotal = (Total de cada parcela dos 4 Experimentos)2 – C
101
 = (109,302 + 124,002 + ... + 67,002) - 660758,91

SQTotal = 30979,44

QUADRO AUXILIAR

(Nitrogênio) Blocos LOCAL / TALHÃO

kg de N/ha NORTE SUL LESTE OESTE
0 1+2+3 333,3 295,7 295,1 193,0 1117,07
45 1+2+3 377,3 329,3 321,5 269,0 1297,05
90 1+2+3 361,4 357,8 308,5 277,0 1304,70
135 1+2+3 366,1 343,2 334,5 237,5 1281,25
180 1+2+3 362,2 374,7 336,5 223,0 1296,40
1800,30 1700,57 1596,10 1199,50 6296,47

Cálculo da SOMA DE QUADRADOS DE DOSES (SQTrats)

SQTrats(DOSES) = [(Totais de cada DOSE dos 4 Experimentos)2] / r . Local – C

= [(1117,072 + 1297,052 + ... + 1296,472) / 12]- 660758,91

SQTrats(DOSES) = 2131,15

Cálculo da SOMA DE QUADRADOS DE LOCAL (SQLocal)

SQLocal = [(Totais cada SETOR dos 4 Experimentos)2] / r . Doses – C

= [(1800,302 + 1700,572 + ... + 1199,502) / 15] - 660758,91

SQLocal = 13864,684

Cálculo da SOMA DE QUADRADOS DE DOSE e LOCAL (SQ(Dose;Local))

SQ(Dose;Local) = [(Totais combinação Dose;Local 4 Experimentos)2] / r – C

= [(333,302 + 377,302 + ... + 223,002) / 3] - 660758,91

SQ(Dose;Local) = 17403,297

SQ(Dose x Local) = SQ(Dose;Local) - SQDose – SQLocal

SQ(Dose x Local) = 17403,297 – 2131,15 – 13864,684

102
 SQ(Dose x Local) = 1407,46

SQBlocos d/ de Local = SQBlcsLoc1 + SQBlcsLoc2 + SQBlcsLoc3 + SQBlcsLoc4

= 117,08 + 777,80 + 992,00 + 1221,03 = 3107,91

SQBlocos d/ de Local = 3107,91

SQRES = SQRes1 + SQRes2 + SQRes3 + SQRes4

= 843,51 + 4900,32 + 2343,61 + 2380,80 = 10468,24

SQRES = 10468,24

Assim, a ANOVA Conjunta fica:

F.V. G.L. SQ QM Fc F1% F5%

Trats(DOSES) 4 2131,15 532,7877* 4,54 (4;12) = 5,41 (4;12) = 3,26
LOCAL 3 13864,684 4621,56** 39,40 (3;12) = 5,95 (3;12) = 3,49
Doses x Local (12) 1407,46 117,29ns 0,36 (12;32) = 2,84 (12;32) = 2,09
Blocos(2x4) 8 3107,91 -- -- -- --
RES(8x4) 32 10468,24 327,13 -- -- --
Total 59 30979,44 -- -- -- --
* Signific a 5% ; ** signific a 1% ns – não siginifc a 5%
Conclusões:

• Os níveis crescentes de nitrogênio interferiram na produtividade da cana de açúcar;

• Houve diferença de produtividade de um local para outro;

• O comportamento dos níveis de nitrogênio foi o mesmo nos diferentes locais.

Em sendo assim, devemos estudar os efeitos isolados de cada fator, aplicando-se testes
de comparações múltiplas para os LOCAIS e ANÁLISE DE REGRESSÃO para as DOSES de N.

TESTE DE TUKEY (LOCAIS)

ANÁLISE de Regressão Linear para DOSES de N, uma vez que percebe-se que os
dados se comportaram assim...

103
 CROQUI DE UM EXPERIMENTO

Um experimento foi conduzido com o objetivo de comparar 4 cultiivares de caju

quanto ao peso dos frutos, colhidos aos 60 dias após o florescimento. Cada parcela era
constituída por duas plantas e, para determinarção dos pesos dos frutos, foram colhidas 10
unidades de cada planta. Foi utilizado o delineamento inteiramente casualizado e anotados os
pesos médios de cada parcela em gramas.

Fator: Cultivares de Caju;

Categorias: A, B, C e D
Tratamentos: A, B, C e D.
Nº de repetições: 5
Tamanho da parcela: 2 plantas, 20 frutos.
Bordadura: não utilizada.
Variável resposta: peso de frutos em gramas.

Legenda

Parcela experimental

A D A A B
15,1 17,5 11,4 13,7 26,5
A B C C C
13,5 23,5 17,7 14,6 15,3
B C D B D
25,6 16,3 13,7 24,2 15,9
D D C B A
15,3 16,5 15,6 22,3 13,2

104